[论文解读] Wong--Zakai Approximations of Stochastic Allen-Cahn Equation

Zhihui Liu, Zhonghua Qiao|arXiv (Cornell University)|Oct 26, 2017

Stochastic processes and financial applications参考文献 7被引用 3

一句话总结

本文建立了对由加法空间-时间布朗运动驱动的随机Allen–Cahn方程的Wong–Zakai–Galerkin逼近的无条件且最优的强收敛速率。通过利用加法噪声结构和漂移单调性，作者在鞅类型2的巴拿赫空间中运用分解法与随机分析，导出精确的误差估计，实现了在 $L^p$-范数下解及其逼近的收敛速率为 $\mathcal{O}\left(\left(\frac{1}{m}\right)^{1/4} \wedge \left(\frac{1}{n}\right)^{1/2}\right)$。

ABSTRACT

We establish a unconditional and optimal strong convergence rate of Wong--Zakai type approximations in Banach space norm for a parabolic stochastic partial differential equation with monotone drift, including the stochastic Allen--Cahn equation, driven by an additive Brownian sheet. The key ingredient in the analysis is the fully use of additive nature of the noise and monotonicity of the drift to derive a priori estimation for the solution of this equation, in combination with the factorization method and stochastic calculus in martingale type 2 Banach spaces applied to deduce sharp error estimation between the exact and approximate Ornstein--Uhlenbeck processes, in Banach space norm.

研究动机与目标

• 推导加法空间-时间白噪声驱动的随机Allen–Cahn方程的Wong–Zakai–Galerkin逼近的无条件且最优的强收敛速率。
• 通过去除对样本路径集合的概率假设，克服先前工作中条件收敛速率的局限性。
• 在初始数据假设最小化的前提下，为解及其关联的Ornstein–Uhlenbeck过程建立 $L^p$-范数下的精确误差界。
• 通过巴拿赫空间设定下新型先验估计，将现有收敛结果推广至非Lipschitz、多项式增长的漂移。

提出的方法

• 利用加法噪声结构将SPDE转化为等价的随机PDE，实现随机分量与确定分量的分离。
• 应用分解法与鞅类型2巴拿赫空间中的随机分析，推导精确解与近似解的Ornstein–Uhlenbeck过程的统一有界性。
• 结合谱Galerkin投影与噪声的分段常数时间逼近，构造Wong–Zakai–Galerkin格式。
• 利用漂移 $f$ 的单调性与多项式增长条件，推导解与误差项的先验估计。
• 应用Grönwall不等式与Hölder/Young不等式，控制漂移引起的非线性项在 $L^p$-范数下的影响。
• 在 $L^\rho(0,T;L^\rho(\rho;L^\rho(0,1)))$-型范数下建立收敛速率，其中 $\rho > 2$，这对处理非Lipschitz非线性项至关重要。

实验结果

研究问题

• RQ1 能否为加法噪声驱动的随机Allen–Cahn方程的Wong–Zakai逼近建立无条件且最优的强收敛速率？
• RQ2 在初始数据正则性假设最小化的前提下，收敛速率如何依赖于时间 ($m$) 与空间 ($n$) 离散化参数？
• RQ3 在非Lipschitz漂移下，精确解与Wong–Zakai–Galerkin逼近在巴拿赫空间范数下的精确误差估计为何？
• RQ4 分解法与鞅类型2空间中的随机分析在处理具有单调性、多项式增长漂移的SPDE时，能在多大程度上改进收敛性分析？
• RQ5 能否将收敛速率提升至超越依赖于收缩概率集的条件估计？

主要发现

• 本文在 $L^p(0,T;L^p(\Omega;L^p(0,1)))$-范数下建立了无条件强收敛速率 $\mathcal{O}\left(\left(\frac{1}{m}\right)^{1/4} \wedge \left(\frac{1}{n}\right)^{1/2}\right)$，对任意 $1 \leq p < \frac{p_*}{2} + 1$ 成立。
• 该收敛速率是最优的，且不依赖于样本路径，与先前要求 $\mathbb{P}(\Omega_{\tau,h}) \to 1$ 的结果不同。
• 通过结合分解技术与鞅类型2巴拿赫空间中的随机分析，实现精确误差估计，从而控制高阶矩。
• 当 $p \geq 2$ 时，可得更精细的估计：$$\mathbb{E}\left[\|u - u^{m,n}\|_{L^p}^p\right] + \int_0^T \mathbb{E}\left[\|u - u^{m,n}\|_{L^{p+q-2}}^{p+q-2}\right] dt \leq C\left(1 + \mathbb{E}[\|u_0\|_{L^p}^p]\right)\left(\left(\frac{1}{m}\right)^{1/4} \wedge \left(\frac{1}{n}\right)^{1/2}\right)^{\frac{p+q-2}{q-1}}$$，其中 $q > 2$。
• 初始数据要求极低：$u_0 \in L^{p_*}(\Omega; L^{p_*}(0,1))$ 即足以保证收敛速率成立。
• 该方法可推广至具有单调性、多项式增长漂移的SPDE，并超越Lipschitz非线性项的限制，克服了以往依赖Lipschitz条件方法的局限性。