[论文解读] Overcoming the curse of dimensionality in the numerical approximation of high-dimensional semilinear elliptic partial differential equations

Christian Beck, Lukas Gonon+1 more|arXiv (Cornell University)|Mar 1, 2020

Advanced Numerical Methods in Computational Mathematics参考文献 59被引用 29

一句话总结

本文提出并分析了一种用于高维半线性椭圆型偏微分方程（PDEs）的新型全历史递归多水平Picard（MLP）逼近方案，该方程具有Lipschitz非线性项。证明了达到期望精度 $ε$ 所需的计算成本在维度 $d$ 和 $ε^{-1}$ 上至多呈多项式增长，从而首次在此背景下克服了维度灾难。

ABSTRACT

Recently, so-called full-history recursive multilevel Picard (MLP) approximation schemes have been introduced and shown to overcome the curse of dimensionality in the numerical approximation of semilinear parabolic partial differential equations (PDEs) with Lipschitz nonlinearities. The key contribution of this article is to introduce and analyze a new variant of MLP approximation schemes for certain semilinear elliptic PDEs with Lipschitz nonlinearities and to prove that the proposed approximation schemes overcome the curse of dimensionality in the numerical approximation of such semilinear elliptic PDEs.

研究动机与目标

• 为解决高维半线性椭圆型PDEs中缺乏能克服维度灾难的严格方法的问题。
• 将此前仅应用于抛物型PDEs的成功的MLP框架扩展至具有Lipschitz非线性项的椭圆型PDEs。
• 建立理论基础，表明此类椭圆型PDEs的数值逼近可在不随维度呈指数增长成本的情况下高效计算。
• 为所提出的MLP方案在椭圆型设定下的完整误差与复杂度分析提供支持。

提出的方法

• 该方法通过Feynman–Kac公式导出的随机不动点方程（SFPE），采用解的随机表示形式。
• 引入一种递归多水平Picard迭代，通过在布朗运动路径上迭代细化期望值来逼近解。
• 该方案使用独立同分布的布朗运动和独立同分布的停止时间 $R^\theta$，在每一层生成独立的蒙特卡洛样本。
• 算法递归计算逼近值 $U^{d,\theta}_n(x)$，通过全历史递归结构组合线性和非线性项。
• 该方法引入一个与维度 $d$ 相关的线性算子 $B_d$，确保解对维度的依赖关系保持有界增长。
• 通过函数评估次数的递归界 $\mathfrak{C}_{d,n}$ 分析复杂度，证明其在 $d$ 和 $\varepsilon^{-1}$ 上呈多项式增长。

实验结果

研究问题

• RQ1 MLP逼近方案在抛物型PDEs中有效，能否扩展至半线性椭圆型PDEs？
• RQ2 所提出的椭圆型PDEs的MLP方案是否避免了维度灾难？
• RQ3 计算成本对维度 $d$ 和期望精度 $\varepsilon$ 的精确依赖关系为何？
• RQ4 非线性项和扩散算子的假设如何影响收敛性与复杂度？

主要发现

• 达到精度 $\varepsilon$ 所需的计算成本在维度 $d$ 和逆精度 $\varepsilon^{-1}$ 上至多呈多项式增长，证明了维度灾难的不存在。
• 在域 $[-cd^c, cd^c]^d$ 上，$L^2$ 范数下的误差被 $\varepsilon$ 有界，且该界对所有 $d$ 一致成立。
• 复杂度界 $\mathfrak{C}_{d,\mathfrak{N}_{\varepsilon,d}}$ 至多为 $\kappa d^\kappa \varepsilon^{-\kappa}$（其中 $\kappa > 0$），表明其呈多项式增长。
• 分析表明，在非线性项 $f_d$ 和扩散算子 $B_d$ 的假设较弱时，该方案仍保持良好定义且可积。
• 该方法对所有时域和所有维度均实现收敛，而分支扩散方法在时域较大时会失效。
• 理论框架证实，MLP方案对维度增长具有鲁棒性，即使非线性项为Lipschitz且定义域随 $d$ 增大亦成立。