Solving the Fokker-Planck equation of discretized Dean-Kawasaki models with functional hierarchical tensor

Resumen Técnico: Resolución de la Ecuación de Fokker-Planck de Modelos de Dean-Kawasaki Discretizados con un Tensor Jerárquico Funcional

Planteamiento del Problema
El artículo aborda el desafío de resolver la ecuación de Fokker-Planck (FPE) dependiente del tiempo asociada al modelo de Dean-Kawasaki (DK), una ecuación diferencial parcial estocástica (SPDE) que describe las fluctuaciones de densidad de partículas interactuantes. Aunque el modelo DK es fundamental en la física estadística fuera del equilibrio, la hidrodinámica fluctuante y el modelado basado en agentes, la resolución numérica de su FPE asociada es computacionalmente prohibitiva. La dificultad principal surge de la alta dimensionalidad del espacio de estados: tras la discretización espacial en $d$ celdas de rejilla, el estado es un vector de densidades de partículas restringido a un simplex de probabilidad de $(d-1)$ dimensiones (donde las entradas son no negativas y su suma es la unidad). Los métodos tradicionales basados en rejilla para la FPE sufren la maldición de la dimensionalidad, y las técnicas estándar de estimación de densidad tienen dificultades con la restricción del simplex y las fuertes correlaciones espaciales inherentes al modelo DK.

Metodología
Los autores proponen un flujo de trabajo basado en partículas que aproxima la ley dependiente del tiempo del modelo DK discretizado mediante la estimación de densidad, utilizando un tensor jerárquico funcional sobre una base de wavelets (FHT-W). La metodología se desarrolla a través de cuatro etapas distintas:

1. Discretización Espacial y Temporal:
   La SPDE continua de DK se discretiza utilizando un esquema de volumen finito en un dominio periódico. Esto transforma la SPDE en un sistema de ecuaciones diferenciales estocásticas (SDE) que gobiernan las densidades de celda promedio $\Pi(t)$. La discretización emplea un esquema de Roe para los flujos deterministas (que involucran potenciales externos y de pares) y una formulación de flujo estocástico específica (basada en [32]) que asegura la estabilidad numérica y preserva la positividad. Las SDE resultantes se simulan mediante trayectorias de Monte Carlo para generar una colección de rutas de muestra.

2. Transformación de Coordenadas (del Simplex al Espacio Euclídeo):
   Para aplicar la estimación de densidad de redes de tensores estándar, los autores mapean el estado desde el simplex de probabilidad $\Delta$ hacia un espacio euclídeo sin restricciones. Esto se logra mediante una transformación de dos pasos:

• Transformación de Cociente Logarítmico Centrado (CLR): El vector de densidad $\pi$ se mapea a $s$ mediante $s_i = \log(\pi_i) - \frac{1}{d}\sum_j \log(\pi_j)$. Esto mapea el interior del simplex a un hiperplano en $\mathbb{R}^d$ donde $\sum s_i = 0$, eliminando efectivamente la restricción del simplex.
• Transformación de Wavelet: Las coordenadas $s$ se transforman adicionalmente en coeficientes de wavelet $c$ utilizando una transformada de wavelet discreta (DWT). Este paso aprovecha la estructura multiescala del modelo de red. Dado que las celdas de rejilla adyacentes en el modelo DK están fuertemente correlacionadas debido a la difusión, la transformada de wavelet descorrelacionará las variables a través de las escalas, reduciendo significativamente el rango numérico de la distribución de probabilidad resultante $P_c(c, t)$.

3. Ansatz de Tensor Jerárquico Funcional (FHT-W):
   La densidad de probabilidad en el espacio de coordenadas de wavelet se aproxima utilizando una red de tensor jerárquico funcional (FHT). Específicamente, los autores emplean la variante FHT-W, que es una red de tensores de árbol de tipo Hierarchical Tucker (HT) donde las hojas corresponden a los coeficientes de wavelet.

• La estructura de árbol refleja la descomposición diedrica de la transformada de wavelet.
• La densidad se representa como una expansión sobre una base univariante fija (polinomios de Legendre) con coeficientes organizados en un formato de tensor de bajo rango.
• Esta representación permite que la complejidad de almacenamiento escale linealmente con la dimensión $d$ en lugar de exponencialmente, siempre que los rangos jerárquicos permanezcan bajos.

4. Estimación de Observables mediante Interpolación:
   Para calcular observables físicos (por ejemplo, la entropía) a partir de la densidad aprendida, los autores proponen un esquema de interpolación. Dado que los observables definidos en el espacio original $\pi$ se convierten en funciones complejas en el espacio de wavelet $c$, estos se comprimen en el formato FHT-W utilizando un método de interpolación cruzada. Esto implica resolver ecuaciones lineales estructuradas derivadas de evaluaciones puntuales de la función observable, lo que permite una contracción eficiente con el tensor de densidad.

Contribuciones Clave

• Un Marco Computacional Integral: El artículo proporciona un pipeline completo para estudiar el modelo DK, cerrando la brecha entre la simulación de partículas estocásticas y la resolución de EDP de alta dimensión mediante la estimación de densidad.
• Manejo de Restricciones de Simplex: La introducción de la transformación de cociente logarítmico centrada combinada con las coordenadas de wavelet permite la aplicación de métodos de redes de tensores a problemas de simplex de probabilidad, un dominio donde las redes de tensores euclídeas estándar fallan.
• Escalabilidad a Altas Dimensiones: El método maneja con éxito sistemas con $d=64$ grados de libertad (casos 1D y 2D), una dimensionalidad que suele ser intratable para los resolvedores directos de FPE o la estimación de densidad ingenua.
• Integración de Potenciales e Interacciones: El marco acomoda tanto potenciales externos ($V_1$) como potenciales de interacción por pares ($V_2$), capturando correlaciones complejas sitio a sitio y efectos de interacción.

Resultados
Experimentos numéricos en 1D y 2D demuestran que el enfoque FHT-W captura con precisión la evolución temporal de la ley de probabilidad.

• Precisión: El método reproduce las correlaciones sitio a sitio y otros observables estadísticos del modelo real con alta fidelidad.
• Estabilidad: El flujo de trabajo permanece estable bajo el supuesto de "difusión fuerte", aplicando técnicas de limitación (clamping) a los términos de ruido para evitar la divergencia en eventos raros.
• Eficiencia: Al utilizar la transformada de wavelet para reducir el rango efectivo de la distribución, el método logra resultados precisos para $d=64$ con rangos tensoriales manejables (por ejemplo, dimensión de enlace $r=20$), evitando los costos de almacenamiento exponenciales asociados con las representaciones tensoriales completas.

Significación y Reivindicaciones
Los autores posicionan este trabajo no como una arquitectura de red de tensores novedosa en sí misma, sino como una aplicación robusta de las redes de tensores basadas en árboles existentes (específicamente el formato HT) a una clase desafiante de EDP estocásticas. La contribución principal es la formulación de un marco práctico y escalable para el modelo DK. El artículo sostiene que este enfoque ofrece una alternativa viable a los métodos de partículas tradicionales para estudiar las propiedades estadísticas de la hidrodinámica fluctuante, particularmente en regímenes donde se requiere comprender la distribución de probabilidad completa (en lugar de solo las rutas de muestra). El trabajo destaca que la combinación de transformaciones geométricas (cociente logarítmico y wavelet) con la compresión de redes de tensores es esencial para superar las barreras de dimensionalidad inherentes a los sistemas de partículas interactuantes discretizados.