[论文解读] On stochastic parameterizing manifolds: Pullback characterization and Non-Markovian reduced equations

Mickaël D. Chekroun, Honghu Liu+1 more|arXiv (Cornell University)|Oct 15, 2013

Probabilistic and Robust Engineering Design参考文献 99被引用 4

一句话总结

本文提出一种基于反向推导（pullback）的新方法，用于构建带乘性噪声的随机偏微分方程（SPDEs）的随机参数化流形（PMs），从而实现非马尔可夫性的降阶随机模型，通过依赖历史的随机系数捕捉记忆效应。该方法避免了谱间隙条件的依赖，成功在带随机布吉尔斯型方程中精确复现了解析模态的统计特性。

ABSTRACT

A general approach to provide approximate parameterizations of the "small" scales by the "large" ones, is developed for stochastic partial differential equations driven by linear multiplicative noise. This is accomplished via the concept of parameterizing manifolds (PMs) that are stochastic manifolds which improve in mean square error the partial knowledge of the full SPDE solution $u$ when compared to the projection of $u$ onto the resolved modes, for a given realization of the noise. Backward-forward systems are designed to give access to such PMs in practice. The key idea consists of representing the modes with high wave numbers (as parameterized by the sought PM) as a pullback limit depending on the time-history of the modes with low wave numbers. The resulting manifolds obtained by such a procedure are not subject to a spectral gap condition such as encountered in the classical theory. Instead, certain PMs can be determined under weaker non-resonance conditions. Non-Markovian stochastic reduced systems are then derived based on such a PM approach. Such reduced systems take the form of SDEs involving random coefficients that convey memory effects via the history of the Wiener process, and arise from the nonlinear interactions between the low modes, embedded in the "noise bath." These random coefficients follow typically non-Gaussian statistics and exhibit an exponential decay of correlations whose rate depends explicitly on gaps arising in the non-resonances conditions. It is shown on a stochastic Burgers-type equation, that such PM-based reduced systems can achieve very good performance in reproducing statistical features of the SPDE dynamics projected onto the resolved modes, such as the autocorrelations and probability functions of the corresponding modes amplitude.

研究动机与目标

• 为受乘性噪声驱动的SPDEs中的小尺度模态开发一种参数化方法，以改进经典方法。
• 消除在构建SPDEs有效降阶模型时对谱间隙条件的依赖。
• 推导出包含记忆效应的非马尔可夫性降阶随机动力系统，通过维纳过程的历史信息实现。
• 将参数化流形表征为依赖于低模态历史的高波数模态的反向推导极限。
• 通过复现全SPDE动力学在解析模态上的关键统计特征，在随机布吉尔斯型方程上验证该方法。

提出的方法

• 将参数化流形（PMs）定义为在相对于解析模态投影下，最小化全SPDE解逼近的均方误差的随机流形。
• 通过一个前后向系统构造PMs，将高波数模态表示为依赖于低波数模态时间历史的反向推导极限。
• 利用反向推导公式避免对谱间隙条件的依赖，转而依赖于更弱的非共振条件。
• 推导出带有随机系数的降阶随机微分方程（SDEs），其系数编码了低模态之间非线性相互作用所导致的记忆效应。
• 将随机系数建模为具有指数衰减相关性的非高斯过程，其衰减速率由非共振间隙决定。
• 在随机布吉尔斯型方程上数值实现该方法，以检验降阶系统的统计保真度。

实验结果

研究问题

• RQ1 能否在不依赖谱间隙的条件下，为带乘性噪声的SPDEs构造参数化流形？
• RQ2 如何通过解析模态中的非线性相互作用系统性地捕捉降阶SPDE模型中的记忆效应？
• RQ3 所得到的非马尔可夫性降阶系统在复现全SPDE在解析模态上行为的统计精度如何？
• RQ4 非共振条件如何影响参数化流形的结构与稳定性？
• RQ5 降阶SDE中的随机系数在多大程度上表现出非高斯统计特性与记忆衰减模式？

主要发现

• 基于反向推导的参数化流形构造方法无需谱间隙，使其在经典方法失效的区域依然适用。
• 所得降阶系统为非马尔可夫性，其随机系数依赖于维纳过程的历史，可捕捉由非线性相互作用引起的记忆效应。
• 降阶SDE中的随机系数呈现非高斯统计特性，并表现出相关性的指数衰减，其衰减速率由非共振间隙显式决定。
• 在随机布吉尔斯型方程上，基于PM的降阶模型能准确复现全SPDE动力学的关键统计特征，如解析模态振幅的自相关函数和概率密度函数。
• 即使在缺乏谱间隙的条件下，该方法在均方误差方面也显著优于简单的投影近似方法。
• 前后向系统通过利用时间历史依赖关系，使PMs的实际计算成为可能，从而确保了方法的数值可行性。