Adaptive Time-Stepping Euler--Maruyama Scheme for SDEs with Non-Globally Lipschitz Coefficients: Uniform Convergence, Stability and Ergodicity

Resumen Técnico: Esquema de Euler–Maruyama con Paso de Tiempo Adaptativo para EDEs con Coeficientes No Globalmente Lipschitz

Planteamiento del Problema
El artículo aborda la aproximación numérica de ecuaciones diferenciales estocásticas (EDEs) donde los coeficientes de deriva y difusión son localmente Lipschitz pero no globalmente Lipschitz. Tales ecuaciones surgen frecuentemente en aplicaciones como la física estadística (por ejemplo, la ecuación de Langevin sobreamortuada) y el aprendizaje automático, donde el objetivo suele ser el muestreo de una distribución de probabilidad objetivo (la medida invariante).

Los métodos explícitos estándar, como el esquema de Euler–Maruyama (EM), suelen fallar para estos sistemas. Específicamente, los esquemas EM explícitos pueden exhibir inestabilidad numérica (explosiones) o fallar en la preservación de las propiedades ergódicas de la dinámica continua subyacente, incluso cuando la solución exacta es exponencialmente ergódica. Si bien se han propuesto métodos de paso de tiempo adaptativo para mitigar la inestabilidad ajustando el tamaño del paso basándose en el estado actual, los resultados teóricos para EDEs con coeficientes totalmente localmente Lipschitz siguen siendo escasos. Las brechas clave incluyen la falta de un análisis de convergencia fuerte uniforme en el tiempo, la comprensión limitada de la estabilidad exponencial de momentos en entornos adaptativos y cuestiones no resueltas respecto a la preservación de la ergodicidad y la tasa de convergencia de la medida invariante numérica.

Metodología
Los autores proponen un esquema de Euler–Maruyama (EM) de tiempo continuo con paso de tiempo adaptativo. El mecanismo central involucra una función de paso de tiempo $\delta(x)$ que es continua y estrictamente positiva. Esta función está diseñada para satisfacer condiciones de crecimiento específicas en relación con los coeficientes de deriva $f(x)$ y difusión $g(x)$ para prevenir explosiones numéricas.

Componentes metodológicos clave incluyen:

1. Construcción del Paso de Tiempo Adaptativo: El tamaño del paso $\delta_n$ en la iteración $n$ se determina por el estado $Y_{t_n}$. La función $\delta(\cdot)$ se elige de tal manera que $|f(x)|(\delta(x))^\gamma \leq 1 + |x|$ y $|g(x)|^2(\delta(x))^\gamma \leq (1+|x|)^2$ para algún $\gamma \in (0, 1/3]$.
2. Esquema Auxiliar K: Para demostrar que el tiempo terminal $T$ es alcanzable casi seguramente (es decir, que la simulación no se queda estancada en pasos infinitos antes de alcanzar $T$) y para establecer cotas de momentos, los autores emplean un esquema truncado auxiliar (el "esquema K") introducido por Fang y Giles. Este implica truncar la solución en un radio $K$ y analizar el límite cuando $K \to \infty$.
3. Interpolación de Tiempo Continuo: La solución numérica discreta se extiende al tiempo continuo mediante interpolaciones lineales por tramos y constantes por tramos ($\hat{Y}(t)$ y $Y(t)$) para facilitar la aplicación de la fórmula de Itô y técnicas de martingala.
4. Análisis de Estabilidad y Ergodicidad: El análisis utiliza funciones de Lyapunov, el teorema del tiempo de parada opcional y el teorema de Harris para cadenas de Markov. Específicamente, los autores establecen que la solución numérica discreta forma una cadena de Markov homogénea en el tiempo, irreducible y aperiódica.

Contribuciones Clave y Resultados

1. Alcanzabilidad y Acotación de Momentos:

   • El artículo demuestra que el tiempo terminal $T > 0$ es alcanzable casi seguramente, asegurando que la iteración adaptativa alcance $T$ en un número finito de pasos.
   • Se establece la acotación de momentos de la solución numérica tanto para intervalos de tiempo finito como uniformemente en el tiempo, siempre que los coeficientes cumplan con condiciones específicas de crecimiento polinómico y coercitividad.

2. Convergencia Fuerte:

   • Tiempo Finito: El esquema logra una tasa de convergencia fuerte de orden $1/2$ en intervalos de tiempo finito.
   • Uniforme en el Tiempo: Bajo supuestos ligeramente más fuertes (específicamente respecto a la condición de Lipschitz de un solo lado y el crecimiento de los coeficientes), el artículo establece una tasa de convergencia fuerte uniforme en el tiempo de orden $1/2$. Este resultado se mantiene sin imponer un tamaño de paso mínimo positivo uniforme.
   • Para EDEs con ruido aditivo, es posible alcanzar una tasa de convergencia fuerte de primer orden bajo supuestos más fuertes sobre la deriva.

3. Preservación de la Estabilidad:

   • Se demuestra que el esquema adaptativo hereda fielmente la estabilidad exponencial del $p$-ésimo momento de la solución exacta. Esto llena un vacío teórico, ya que la estabilidad exponencial de momentos en entornos adaptativos rara vez había sido investigada previamente.

4. Ergodicidad y Convergencia de la Medida Invariante:

   • Se demuestra que la solución numérica es ergódica, poseyendo una medida de probabilidad invariante única.
   • El artículo establece la ergodicidad polinómica para el esquema numérico.
   • Crucialmente, los autores derivan una tasa de convergencia de $1/2$ en la distancia de Wasserstein-$L_q$ entre la medida invariante numérica y la medida invariante exacta de la EDE subyacente. Esto confirma que el esquema aproxima con precisión la distribución objetivo en el límite de tiempo largo.

5. Validación Numérica:

   • Experimentos numéricos en EDEs rígidas (stiff), EDEs no rígidas (Ginzburg-Landau) y sistemas de Langevin sobreamortados de alta dimensión (incluyendo ejemplos de inferencia bayesiana) validan los resultados teóricos.
   • Las comparaciones con esquemas de paso fijo (EM hacia atrás, EM tamizado, EM truncado) y métodos adaptativos existentes (LMS, método de Lemaire) demuestran que el esquema propuesto logra una precisión y eficiencia computacional superiores (menor tiempo de CPU para un error comparable).

Significancia
El artículo afirma cerrar brechas críticas en el análisis numérico de EDEs con coeficientes no globalmente Lipschitz. Al desarrollar un esquema adaptativo explícito que garantiza la convergencia fuerte uniforme en el tiempo y preserva tanto la estabilidad exponencial de momentos como la ergodicidad, este trabajo proporciona una base teórica robusta para el muestreo de distribuciones complejas. La derivación de la tasa de convergencia óptima de orden $1/2$ para la medida invariante en la distancia de Wasserstein se destaca como un avance teórico significativo, ofreciendo una herramienta fiable para aplicaciones en estadística computacional, física estadística y aprendizaje automático donde el comportamiento a largo plazo y el muestreo de distribuciones son primordiales.