Conditional splitting probabilities for hidden-state inference in drift-diffusive processes

Resumen Técnico: Probabilidades de División Condicional para la Inferencia de Estados Ocultos en Procesos de Difusión con Deriva

Planteamiento del Problema
Las probabilidades de división son cantidades fundamentales en los procesos estocásticos, que cuantifican la probabilidad de que un sistema abandone un intervalo definido a través de fronteras específicas. Mientras que tradicionalmente se han aplicado a procesos unidimensionales para determinar probabilidades de salida (por ejemplo, la ruina del jugador o la fijación en la dinámica de poblaciones), este trabajo aborda un escenario más complejo que involucra procesos de Markov bidimensionales $\{X(t), Y(t)\}$. Aquí, $X(t)$ es una variable continua de deriva-difusión observable, mientras que $Y(t)$ representa un estado interno oculto (que puede ser discreto o continuo). El problema central es determinar la probabilidad de división conjunta: la probabilidad de que $X(t)$ salga de un intervalo $L = [x_{min}, x_{max}]$ a través de una frontera específica y que el estado oculto $Y(t)$ se encuentre en una configuración específica $y_{exit}$ en el momento de la salida.

Basándose en esto, el artículo investiga la probabilidad de división condicional: la probabilidad posterior del estado oculto $Y$ dado que ha ocurrido un evento de salida en una frontera específica. Los autores pretenden determinar si y cómo la observación de un único evento de salida puntual puede utilizarse para inferir el estado de una variable oculta, una capacidad relevante para el control de la materia activa y la teoría de la decisión.

Metodología
Los autores emplean un marco basado en la ecuación de Kolmogorov hacia atrás y el teorema de Bayes.

1. Formulación de la Probabilidad Conjunta:
   Para un proceso gobernado por operadores de Fokker-Planck hacia adelante $\mathcal{L}^{(X)}_F$ y $\mathcal{L}^{(Y)}_F$, la probabilidad de división conjunta $\Pi(x_{exit}, y_{exit}|x_0, y_0)$ satisface la ecuación estacionaria hacia atrás:
   $$0 = \mathcal{L}^{(X)}_B \Pi + \mathcal{L}^{(Y)}_B \Pi$$
   sujeta a condiciones de contorno donde el proceso es absorbido en las fronteras del intervalo. Los autores consideran condiciones de contorno totalmente permeables (absorbentes) y parcialmente permeables (Robin).

2. Dinámicas Desacopladas vs. Acopladas:
   El análisis se divide en dos clases de procesos:

   • Caso Desacoplado: $X(t)$ es un movimiento browniano simple independiente de $Y(t)$. La solución se construye utilizando la base de eigenfunciones del operador de Fokker-Planck para $Y(t)$. La probabilidad conjunta se expresa como una expansión espectral que involucra las eigenfunciones y los autovalores del proceso oculto.
   • Caso Unidireccionalmente Acoplado: $X(t)$ depende de $Y(t)$ (por ejemplo, los coeficientes de deriva o difusión dependen del estado interno), pero $Y(t)$ evoluciona independientemente de $X(t)$. En estos casos, las ecuaciones hacia atrás se convierten en sistemas acoplados de ODEs, que se resuelven explícitamente para modelos paradigmáticos específicos.

3. Inferencia Condicional:
   Una vez computadas las probabilidades de división conjunta, la probabilidad de división condicional se deriva vía el teorema de Bayes:
   $$\Pi(y_{exit}|x_{exit}; x_0, y_0) = \frac{\Pi(x_{exit}, y_{exit}|x_0, y_0)}{P(x_{exit}|x_0, y_0)}$$
   donde el denominador es la probabilidad de división marginal del observable $X$.

Resultados Clave

1. Estados Ocultos Desacoplados (Movimiento Browniano + Estado Interno)
Para procesos donde $X(t)$ es movimiento browniano y $Y(t)$ es un estado interno desacoplado (discreto o continuo), los autores derivan expresiones genéricas para la probabilidad de división conjunta en términos del sistema de eigenvalores del sistema de la dinámica de $Y$.

• Proceso de Maduración-Deterioro (Ripening-Spoiling): Se analiza un modelo discreto de tres estados (Inmaduro $\to$ Maduro $\to$ Deteriorado). La probabilidad conjunta de salir en un estado específico (por ejemplo, "Maduro") exhibe una dependencia no monótona de la posición inicial $x_0$. Esto surge porque solo las trayectorias con duraciones específicas (que permiten la transición a "Maduro" pero aún no a "Deteriorado") contribuyen a la probabilidad de salida en dicho estado.
• Proceso de Ornstein-Uhlenbeck (OU): Para un estado oculto gaussiano continuo, la probabilidad conjunta se expresa mediante una serie infinita de polinomios de Hermite.
• Límite de Inferencia: En el caso desacoplado, los autores demuestran que la inferencia del estado oculto a partir de un solo evento de salida solo es posible en el régimen transitorio (condiciones iniciales no estacionarias). En el límite de intervalos grandes ($L \to \infty$) o difusión evanescente ($D \to 0$), la probabilidad de división conjunta se factoriza en el producto de la probabilidad de división marginal y la distribución de estado estacionario de $Y$. Consecuentemente, la probabilidad condicional converge al prior, haciendo imposible la inferencia para inicializaciones estacionarias.

2. Estados Ocultos Unidireccionalmente Acoplados
Para sistemas donde la dinámica del observable depende del estado oculto, la inferencia sigue siendo posible incluso para inicializaciones estacionarias. Los autores proporcionan derivaciones explícitas para tres casos:

• Dinámica de Correr y Tropezar (Run-and-Tumble, RnT): Una partícula con un estado de autopropulsión $Y \in \{-1, 1\}$ que cambia a una tasa $\alpha$. Los autores resuelven las ecuaciones hacia atrás acopladas para hallar las probabilidades de división conjunta. Muestran que la verosimilitud posterior de la dirección de la partícula (moviéndose a la izquierda vs. derecha) al salir de una frontera se desvía significativamente del prior (1/2). Esta desviación aumenta con el número de Péclet ($Pe = \nu^2/\alpha D$), indicando que la persistencia permite una inferencia fiable del estado interno incluso en el límite de intervalos grandes ($L \to \infty$).
• Potencial de Segmento Lineal Intermitente: Una partícula sujeta a un potencial que se activa o desactiva estocásticamente. Las probabilidades conjuntas se resuelven dividiendo el dominio en el ápice del potencial. Los resultados muestran que la probabilidad condicional de que el potencial esté "encendido" o "apagado" al momento de la salida depende de forma no monótona de la ubicación del ápice y la altura de la barrera.
• Reinicio Estocástico (Stochastic Resetting): Una partícula que experimenta movimiento browniano con reinicio estocástico a una posición $x_r$. El estado oculto se define como el número de eventos de reinicio $n$. Los autores derivan la probabilidad conjunta de salir tras exactamente $n$ reinicios. Encuentran que, aunque el número de reinicios más probable es cero (debido a la naturaleza sin memoria del proceso de Poisson), el promedio de reinicios condicionado a una frontera de salida específica es no trivial y depende de la tasa de reinicio y el tamaño del intervalo.

Significación y Reivindicaciones
El artículo reivindica dos contribuciones primarias:

1. Marco Analítico: Proporciona un método general para computar las probabilidades de división conjunta para procesos de Markov bidimensionales, expresadas ya sea mediante descomposición espectral (para sistemas desacoplados) o mediante soluciones explícitas de ODEs acopladas (para sistemas unidireccionalmente acoplados).
2. Esquema de Inferencia: Establece un "esquema simple" para la inferencia bayesiana parcial de estados internos ocultos basada únicamente en la detección puntual de eventos de salida.

Los autores destacan una distinción crítica entre las dos clases de procesos:

• En sistemas desacoplados, la inferencia está limitada a las dinámicas transitorias; una vez que el estado oculto se relaja a su estado estacionario, los eventos de salida no proporcionan información sobre el estado oculto.
• En sistemas unidireccionalmente acoplados (comunes en modelos de materia activa), el acoplamiento preserva la información sobre el estado oculto en las estadísticas de salida, permitiendo la inferencia incluso en el límite de tiempo largo ($L \to \infty$).

El trabajo sugiere que este esquema de inferencia basado en fronteras podría aplicarse al control de procesos estocásticos impulsados, tales como la optimización de la extracción de potencia de partículas activas, aprovechando la correlación entre los puntos de salida y los estados ocultos. Los autores señalan que, aunque se han centrado en estados ocultos discretos en los casos acoplados, extender estos resultados a estados ocultos continuos (como los procesos de Ornstein-Uhlenbeck activos) sigue siendo un desafío abierto.