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

Résumé Technique : Résolution de l'équation de Fokker-Planck des modèles de Dean-Kawasaki discrétisés par un tenseur hiérarchique fonctionnel

Énoncé du Problème
L'article traite du défi posé par la résolution de l'équation de Fokker-Planck (FPE) dépendante du temps associée au modèle de Dean-Kawasaki (DK), une équation aux dérivées partielles stochastiques (SPDE) décrivant les fluctuations de densité de particules en interaction. Bien que le modèle DK soit fondamental en physique statistique hors équilibre, en hydrodynamique fluctuante et en modélisation basée sur des agents, la résolution numérique de son équation FPE associée est extrêmement coûteuse en termes de calcul. La difficulté principale réside dans la haute dimensionnalité de l'espace d'état : après une discrétisation spatiale en $d$ cellules de grille, l'état est un vecteur de densités de particules contraint à un simplexe de probabilité de dimension $(d-1)$ (où les entrées sont non négatives et leur somme est égale à l'unité). Les méthodes traditionnelles basées sur des grilles pour la FPE souffrent de la malédiction de la dimensionnalité, et les techniques classiques d'estimation de densité peinent à gérer la contrainte du simplexe ainsi que les fortes corrélations spatiales inhérentes au modèle DK.

Méthodologie
Les auteurs proposent un flux de travail basé sur les particules qui approxime la loi dépendante du temps du modèle DK discrétisé par l'estimation de densité, en utilisant un tenseur hiérarchique fonctionnel sur une base de ondelettes (FHT-W). La méthodologie se déroule en quatre étapes distinctes :

1. Discrétisation Spatiale et Temporelle :
   La SPDE continue de Dean-Kawasaki est discrétisée à l'aide d'un schéma de volumes finis sur un domaine périodique. Cela transforme la SPDE en un système d'équations différentielles stochastiques (SDE) régissant les densités moyennes par cellule $\Pi(t)$. La discrétisation utilise un schéma de Roe pour les flux déterministes (impliquant des potentiels externes et de paires) et une formulation de flux stochastique spécifique (basée sur [32]) qui garantit la stabilité numérique et préserve la positivité. Les SDE résultantes sont simulées via des trajectoires de Monte Carlo pour générer une collection de chemins d'échantillonnage.

2. Transformation de Coordonnées (du Simplexe vers l'Espace Euclidien) :
   Pour appliquer l'estimation de densité par réseaux de tenseurs standard, les auteurs projettent l'état du simplexe de probabilité $\Delta$ vers un espace euclidien non contraint. Ceci est réalisé via une transformation en deux étapes :

• Transformation du Rapport Log-Centré (CLR) : Le vecteur de densité $\pi$ est projeté vers $s$ via $s_i = \log(\pi_i) - \frac{1}{d}\sum_j \log(\pi_j)$. Cela projette l'intérieur du simplexe vers un hyperplan dans $\mathbb{R}^d$ où $\sum s_i = 0$, éliminant ainsi la contrainte du simplexe.
• Transformation en Ondelettes : Les coordonnées $s$ sont ensuite transformées en coefficients d'ondelettes $c$ à l'aide d'une transformée en ondelettes discrète (DWT). Cette étape exploite la structure multi-échelle du modèle de réseau. Puisque les cellules de grille adjacentes dans le modèle DK sont fortement corrélées en raison de la diffusion, la transformée en ondelettes décorrèle les variables à travers les échelles, réduisant ainsi de manière significative le rang numérique de la distribution de probabilité $P_c(c, t)$ résultante.

3. Ansatz de Tenseur Hiérarchique Fonctionnel (FHT-W) :
   La densité de probabilité dans l'espace des coordonnées d'ondelettes est approximée à l'aide d'un réseau de tenseurs hiérarchiques fonctionnels (FHT). Plus précisément, les auteurs utilisent la variante FHT-W, qui est un réseau de tenseurs en arbre de type Hierarchical Tucker (HT) dont les feuilles correspondent aux coefficients d'ondelettes.

• La structure en arbre reflète la décomposition dyadique de la transformée en ondelettes.
• La densité est représentée comme une expansion sur une base univariée fixe (polynômes de Legendre) avec des coefficients organisés sous un format de tenseur de bas rang.
• Cette représentation permet une complexité de stockage qui évolue linéairement avec la dimension $d$ plutôt qu'exponentiellement, à condition que les rangs hiérarchiques restent faibles.

4. Estimation d'Observables via Interpolation :
   Pour calculer les observables physiques (par exemple, l'entropie) à partir de la densité apprise, les auteurs proposent un schéma d'interpolation. Étant donné que les observables définies dans l'espace $\pi$ d'origine deviennent des fonctions complexes dans l'espace des ondelettes $c$, elles sont compressées au format FHT-W à l'aide d'une méthode de cross-interpolation. Cela implique la résolution d'équations linéaires structurées dérivées des évaluations ponctuelles de la fonction de l'observable, permettant une contraction efficace avec le tenseur de densité.

Contributions Clés

• Un Cadre de Calcul Complet : L'article fournit un pipeline complet pour l'étude du modèle DK, comblant le fossé entre la simulation de particules stochastiques et la résolution de PDE de haute dimension via l'estimation de densité.
• Gestion des Contraintes de Simplexe : L'introduction de la transformation du rapport log-centré combinée aux coordonnées d'ondelettes permet l'application des méthodes de réseaux de tenseurs aux problèmes de simplexe de probabilité, un domaine où les réseaux de tenseurs euclidiens standards échouent.
• Scalabilité vers les Hautes Dimensions : La méthode gère avec succès des systèmes possédant $d=64$ degrés de liberté (cas 1D et 2D), une dimensionnalité typiquement insoluble pour les solveurs directs de FPE ou l'estimation de densité naïve.
• Intégration de Potentiels et d'Interactions : Le cadre accepte à la fois les potentiels externes ($V_1$) et les potentiels d'interaction de paires ($V_2$), capturant les corrélations complexes par site et les effets d'interaction.

Résultats
Les expériences numériques en 1D et 2D démontrent que l'approche FHT-W capture avec précision l'évolution temporelle de la loi de probabilité.

• Précision : La méthode reproduit les corrélations par site et autres observables statistiques du modèle réel avec une grande fidélité.
• Stabilité : Le flux de travail reste stable sous l'hypothèse de "diffusion forte", avec des techniques de bridage appliquées aux termes de bruit pour éviter l'explosion lors d'événements rares.
• Efficacité : En utilisant la transformée en ondelettes pour réduire le rang effectif de la distribution, la méthode obtient des résultats précis pour $d=64$ avec des rangs de tenseurs gérables (par exemple, une dimension de liaison $r=20$), évitant les coûts de stockage exponentiels associés aux représentations tensorielles complètes.

Signification et Revendications
Les auteurs positionnent ce travail non pas comme une nouvelle architecture de réseau de tenseurs en soi, mais comme une application robuste de réseaux de tenseurs en arbre existants (spécifiquement le format HT) à une classe difficile de SPDE. La contribution primaire est la formulation d'un cadre pratique et scalable pour le modèle DK. L'article affirme que cette approche offre une alternative viable aux méthodes de particules traditionnelles pour étudier les propriétés statistiques de l'hydrodynamique fluctuante, particulièrement dans les régimes où la compréhension de la distribution de probabilité complète (plutôt que de simples trajectoires d'échantillonnage) est requise. Ce travail souligne que la combinaison de transformations géométriques (rapport log et ondelettes) avec la compression par réseaux de tenseurs est essentielle pour surmonter les barrières de dimensionnalité inhérentes aux systèmes de particules en interaction discrétisés.