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

Résumé Technique : Probabilités de Scission Conditionnelles pour l'Inférence d'États Cachés dans les Processus de Dérive-Diffusion

Énoncé du Problème
Les probabilités de scission sont des quantités fondamentales dans les processus stochastiques, quantifiant la probabilité qu'un système sorte d'un intervalle défini par une frontière spécifique. Bien qu'elles soient traditionnellement appliquées aux processus unidimensionnels pour déterminer les probabilités de sortie (par exemple, le problème de la ruine du joueur ou la fixation dans la dynamique des populations), ce travail traite d'un scénario plus complexe impliquant des processus markoviens bidimensionnels $\{X(t), Y(t)\}$. Ici, $X(t)$ est une variable de dérive-diffusion continue et observable, tandis que $Y(t)$ représente un état interne caché (qui peut être discret ou continu). Le problème central est de déterminer la probabilité de scission jointe : la probabilité que $X(t)$ sorte d'un intervalle $L = [x_{min}, x_{max}]$ par une frontière spécifique et que l'état caché $Y(t)$ soit dans une configuration spécifique $y_{exit}$ au moment de la sortie.

S'appuyant sur cela, l'article étudie la probabilité de scission conditionnelle : la probabilité postérieure de l'état caché $Y$ étant donné qu'un événement de sortie s'est produit à une frontière donnée. Les auteurs cherchent à déterminer si et comment l'observation d'un événement de sortie ponctuel unique peut être utilisée pour inférer l'état d'une variable cachée, une capacité pertinente pour le contrôle de la matière active et la théorie de la décision.

Méthodologie
Les auteurs emploient un cadre basé sur l'équation de Kolmogorov en arrière et le théorème de Bayes.

1. Formulation de la Probabilité Jointe :
   Pour un processus régi par des opérateurs de Fokker-Planck directs $\mathcal{L}^{(X)}_F$ et $\mathcal{L}^{(Y)}_F$, la probabilité de scission jointe $\Pi(x_{exit}, y_{exit}|x_0, y_0)$ satisfait l'équation stationnaire en arrière :
   $$0 = \mathcal{L}^{(X)}_B \Pi + \mathcal{L}^{(Y)}_B \Pi$$
   soumise à des conditions aux limites où le processus est absorbé aux frontières de l'intervalle. Les auteurs considèrent des conditions aux limites entièrement perméables (absorbantes) et partiellement perméables (Robin).

2. Dynamiques Découplées vs Couplées :
   L'analyse est divisée en deux classes de processus :

   • Cas Découplé : $X(t)$ est un mouvement brownien simple indépendant de $Y(t)$. La solution est construite à l'aide de l'autobasis de l'opérateur de Fokker-Planck pour $Y(t)$. La probabilité jointe est exprimée sous forme d'une expansion spectrale impliquant les fonctions propres et les valeurs propres du processus caché.
   • Cas Unidirectionnellement Couplé : $X(t)$ dépend de $Y(t)$ (par exemple, les coefficients de dérive ou de diffusion dépendent de l'état interne), mais $Y(t)$ évolue indépendamment de $X(t)$. Dans ces cas, les équations en arrière deviennent des systèmes d'EDO couplés, qui sont résolus explicitement pour des modèles paradigmatiques spécifiques.

3. Inférence Conditionnelle :
   Une fois les probabilités jointes calculées, la probabilité de scission conditionnelle est dérivée via le théorème de Bayes :
   $$\Pi(y_{exit}|x_{exit}; x_0, y_0) = \frac{\Pi(x_{exit}, y_{exit}|x_0, y_0)}{P(x_{exit}|x_0, y_0)}$$
   où le dénominateur est la probabilité de scission marginale de l'observable $X$.

Résultats Clés

1. États Cachés Découplés (Mouvement Brownien + État Interne)
Pour des processus où $X(t)$ est un mouvement brownien et $Y(t)$ est un état interne découplé (discret ou continu), les auteurs dérivent des expressions génériques pour la probabilité de scission jointe en termes du système de valeurs propres de la dynamique de $Y$.

• Processus de Mûrissement-Altération (Ripening-Spoiling) : Un modèle discret à trois états (Immatur $\to$ Mûr $\to$ Altéré) est analysé. La probabilité jointe de sortir dans un état spécifique (par exemple, "Mûr") présente une dépendance non monotone de la position initiale $x_0$. Cela provient du fait que seules les trajectoires ayant des durées spécifiques (permettant la transition vers "Mûr" mais pas encore vers "Altéré") contribuent à la probabilité de sortie dans cet état.
• Processus d'Ornstein-Uhlenbeck (OU) : Pour un état caché gaussien continu, la probabilité jointe est exprimée par une série infinie de polynômes de Hermite.
• Limite d'Inférence : Dans le cas découplé, les auteurs démontrent que l'inférence de l'état caché à partir d'un seul événement de sortie n'est possible que dans le régime transitoire (conditions initiales non stationnaires). Dans la limite de grands intervalles ($L \to \infty$) ou de diffusion quasi nulle ($D \to 0$), la probabilité jointe se factorise en le produit de la probabilité de scission marginale et de la distribution stationnaire de $Y$. Par conséquent, la probabilité conditionnelle converge vers la probabilité a priori, rendant l'inférence impossible pour les initialisations stationnaires.

2. États Cachés Unidirectionnellement Couplés
Pour les systèmes où la dynamique observable dépend de l'état caché, l'inférence reste possible même pour les initialisations stationnaires. Les auteurs fournissent des dérivations explicites pour trois cas :

• Dynamique de Course-et-Chute (Run-and-Tumble - RnT) : Une particule avec un état d'autopropulsion $Y \in \{-1, 1\}$ changeant à un taux $\alpha$. Les auteurs résolvent les équations en arrière couplées pour trouver les probabilités de scission jointes. Ils montrent que la vraisemblance postérieure de la direction de la particule (mouvement vers la gauche vs la droite) lors de la sortie dévie significativement de l'a priori (1/2). Cette déviation augmente avec le nombre de Péclet ($Pe = \nu^2/\alpha D$), indiquant que la persistance permet une inférence fiable de l'état interne même dans la limite de grands intervalles.
• Potentiel Pièce par Pièce Linéaire Intermittent : Une particule soumise à un potentiel qui s'active ("on") ou se désactive ("off") de manière stochastique. Les probabilités jointes sont résolues en divisant le domaine au sommet du potentiel. Les résultats montrent que la probabilité conditionnelle du potentiel étant "activé" ou "désactivé" à la sortie dépend de manière non monotone de la position de l'apex et de la hauteur de la barrière.
• Réinitialisation Stochastique (Stochastic Resetting) : Une particule subissant un mouvement brownien avec une réinitialisation stochastique à une position $x_r$. L'état caché est défini par le nombre de réinitialisations $n$. Les auteurs dérivent la probabilité jointe de sortir après exactement $n$ réinitialisations. Ils trouvent que si le nombre de réinitialisations le plus probable est zéro (en raison de la nature sans mémoire du processus de Poisson), le nombre moyen de réinitialisations conditionné sur une frontière de sortie spécifique est non trivial et dépend du taux de réinitialisation et de la taille de l'intervalle.

Signification et Revendications
L'article revendique deux contributions principales :

1. Cadre Analytique : Il fournit une méthode générale pour calculer les probabilités de scission jointes pour les processus markoviens bidimensionnels, exprimées soit via la décomposition spectrale (pour les systèmes découplés), soit via des solutions explicites d'EDO couplées (pour les systèmes unidirectionnellement couplés).
2. Schéma d'Inférence : Il établit un "schéma simple" pour l'inférence bayésienne partielle des états internes cachés basée uniquement sur la détection ponctuelle des événements de sortie.

Les auteurs soulignent une distinction critique entre les deux classes de processus :

• Dans les systèmes découplés, l'inférence est limitée aux dynamiques transitoires ; une fois que l'état caché s'est relaxé vers son état stationnaire, les événements de sortie ne fournissent aucune information sur l'état caché.
• Dans les systèmes unidirectionnellement couplés (communs dans les modèles de matière active), le couplage préserve l'information sur l'état caché dans les statistiques de sortie, permettant ainsi l'inférence même dans la limite de temps long ($L \to \infty$).

Le travail suggère que ce schéma d'inférence basé sur la frontière pourrait être appliqué au contrôle des processus stochastiques pilotés, comme l'optimisation de l'extraction de puissance des particules actives, en exploitant la corrélation entre les points de sortie et les états cachés. Les auteurs notent que bien qu'ils se soient concentrés sur des états cachés discrets dans les cas couplés, l'extension de ces résultats à des états cachés continus (par exemple, les processus d'Ornstein-Uhlenbeck actifs) reste un défi ouvert.