[论文解读] Non-Markovian Reduced Systems for Stochastic Partial Differential Equations: The Additive Noise Case

Mickaël D. Chekroun, Honghu Liu+1 more|arXiv (Cornell University)|Nov 13, 2013

Probabilistic and Robust Engineering Design参考文献 18被引用 4

一句话总结

本文提出了一种用于带加性噪声的随机PDE的非马尔可夫模型降阶框架，通过后向-前向系统推导出的随机参数化流形（PMs），利用解析大尺度模式的时间历史来近似未解析的小尺度动力学。该方法通过引入具有指数衰减相关性的随机系数来嵌入记忆效应，实现了对SPDE动力学的高保真建模，包括噪声诱导的跃迁和双模态行为，如在随机Burgers方程上的验证所示。

ABSTRACT

This article proposes for stochastic partial differential equations (SPDEs) driven by additive noise, a novel approach for the approximate parameterizations of the ``small'' scales by the ``large'' ones, along with the derivaton of the corresponding reduced systems. This is accomplished by seeking for stochastic parameterizing manifolds (PMs) introduced in a previous work by the authors(*), which are random manifolds aiming to provide --- in a mean square sense --- such approximate parameterizations. Backward-forward systems are designed to give access to such PMs as pullback limits depending through the nonlinear terms on the time-history of the dynamics of the low modes when the latter is simply approximated by its stochastic linear component. It is shown that the corresponding pullback limits can be efficiently determined, leading in turn to an operational procedure for the derivation of non-Markovian reduced systems able to achieve good modeling performances in practice. This is illustrated on a stochastic Burgers-type equation, where it is shown that the corresponding non-Markovian features of these reduced systems play a key role to reach such performances.

研究动机与目标

• 开发一种针对由加性噪声驱动的随机PDE的有效模型降阶策略，特别是在经典谱间隙条件不成立时。
• 解决仅利用解析大尺度模式的时间历史来参数化未解析的小尺度动力学的挑战。
• 构建保留记忆效应的非马尔可夫降阶系统，通过非线性相互作用导出的随机系数实现。
• 证明该方法能够再现SPDE中复杂的统计特征，如噪声诱导跃迁和双模态行为。
• 提供一种可操作的流程，用于推导随机参数化流形，而无需强谱间隙或惯性流形假设。

提出的方法

• 该方法将随机参数化流形（PMs）构造为后向-前向系统的拉回极限，其中未解析模式通过非线性项依赖于解析模式的过去。
• 通过其随机线性分量近似解析动力学，简化积分过程，同时保留大尺度到小尺度的反馈。
• PMs通过两步过程推导：首先求解在解析模式轨迹条件下未解析模式的后向方程，然后进行前向积分以获得完整系统。
• 降阶SDE中的随机系数源自低模态之间的非线性相互作用，以指数衰减的相关性编码记忆效应。
• 记忆结构由非共振条件控制，使得在弱于经典惯性流形理论假设的条件下即可确定PMs。
• 该方法在带随机性的Burgers型方程上进行了数值验证，仅使用两个解析模态，并通过红噪声与非线性记忆过程的组合来建模更高阶模态。

实验结果

研究问题

• RQ1 当经典谱间隙条件不成立时，能否为带加性噪声的SPDE有效推导出非马尔可夫降阶系统？
• RQ2 如何仅利用解析大尺度模式的时间历史，准确参数化未解析的小尺度动力学？
• RQ3 以指数衰减相关性的随机系数编码的记忆效应，在捕捉噪声诱导跃迁等复杂统计特征中起什么作用？
• RQ4 具有记忆效应的两模态降阶系统在在多大程度上能再现全SPDE的粗粒度时空涨落？
• RQ5 非马尔可夫系统在捕捉双模态行为和罕见跃迁方面，与平均化（马尔可夫）版本相比表现如何？

主要发现

• 即使全解表现出双模态行为，带有记忆效应的非马尔可夫降阶系统仍能成功再现全SPDE的粗粒度时空涨落，如图2所示。
• 时间平均后的参数化缺陷显著降低，表明PMs能有效以均方误差近似未解析模式。
• 非马尔可夫系统能良好捕捉不同统计平衡态之间的噪声诱导跃迁，而平均化（马尔可夫）版本则无法准确再现此类跃迁。
• 由低模态非线性相互作用产生的随机系数中编码的记忆效应，对建模噪声对小尺度的激发至关重要，尤其是在未解析方差较高的区域。
• 当模式5–10中未解析方差占比（记为$\mathfrak{f}_{5}^{10}$）变大时，建模性能下降，表明需要具有层次化记忆结构的更高阶PMs。
• 即使仅使用两个解析模态，只要高阶模态中的未解析方差不占主导，且非线性记忆过程能充分捕捉噪声驱动的动力学，该方法仍具有效性。