Whittle-Matérn Fields with Variable Smoothness

1. Problématique et Contexte

Les champs aléatoires gaussiens (CAG) sont des modèles fondamentaux en statistiques et en apprentissage automatique. Le modèle le plus couramment utilisé est le champ de Matérn, défini par sa fonction de covariance stationnaire. Cependant, ce modèle classique présente une limitation majeure : ses paramètres (variance, régularité, portée de corrélation) sont constants dans l'espace.

Dans de nombreuses applications réelles (météorologie, géophysique), les phénomènes sont non stationnaires. Par exemple, la régularité d'un champ de précipitations peut varier entre les océans et les terres. Les approches existantes pour modéliser la non-stationnarité (déformations d'espace, convolutions de processus) permettent souvent de faire varier la portée de corrélation, mais elles échouent généralement à capturer une régularité (lissage) spatialement variable.

L'objectif de cet article est de combler cette lacune en généralisant l'approche par Équation aux Dérivées Partielles Stochastiques (EDPS) pour permettre un ordre fractionnaire $s$ qui varie dans l'espace, c'est-à-dire $s = s(x)$. Cela permet de contrôler localement la régularité du champ.

2. Méthodologie

Les auteurs proposent une formulation basée sur un opérateur intégral non local plutôt que sur une définition spectrale ou un opérateur différentiel local classique.

A. Formulation du Modèle

Le modèle est défini sur un domaine borné $G$ (incluant un domaine intérieur $D$ et une troncature du domaine extérieur $D^c_t$) par l'équation stochastique suivante :
$$\tilde{A}_{s(\cdot)} u = \frac{1}{\mu} W \quad \text{sur } D, \quad u = 0 \quad \text{sur } D^c_t$$
où $W$ est un bruit blanc gaussien spatial.

L'opérateur $\tilde{A}_{s(\cdot)}$ est construit à partir d'un noyau de type Bessel modifié. Contrairement au cas constant où l'opérateur est $(\kappa^2 - \Delta)^s$, ici l'opérateur intègre une dépendance spatiale via un exposant fractionnaire variable $s(x) \in [s, \bar{s}] \subset (0, 1)$.
La forme intégrale de l'opérateur est :
$$\tilde{A}_{s(\cdot)} u(x) = \kappa^{2s(x)} u(x) + \int_{\mathbb{R}^d} \frac{\tilde{w}_{-2s}(x, y) (u(x) - u(y))}{\|x-y\|^{d+2\beta(x,y)}} dy$$
où :

• $\beta(x, y) = \frac{s(x) + s(y)}{2}$ est l'exposant symétrique local.
• $\tilde{w}_{-2s}$ est un noyau construit à partir de la fonction de Bessel modifiée de seconde espèce $K_\nu$.
• Ce noyau présente une singularité locale gouvernée par $\beta(x, y)$.

B. Cadre Variationnel

Les auteurs développent un cadre variationnel rigoureux adapté à ce noyau hétérogène :

1. Espace d'énergie : Ils définissent un espace de Hilbert $V_{\kappa, s}$ muni d'une norme d'énergie spécifique qui intègre le terme de masse $\kappa^{2s(x)}$ et une semi-norme non locale pondérée par le noyau $\gamma(x, y)$.
2. Propriétés de l'espace : Ils prouvent la complétude de cet espace, la densité des fonctions lisses à support compact, et l'équivalence des normes pour différents paramètres $\kappa$.
3. Formulation faible : L'équation est reformulée sous forme variationnelle : trouver $u \in V_{\kappa, s}$ tel que $A_{s(\cdot)}(u, v) = \frac{1}{\mu} W(v)$ pour tout $v \in V_{\kappa, s}$.

3. Contributions Clés et Résultats Théoriques

A. Existence, Unicité et Régularité Spectrale

• Opérateur auto-adjoint : Ils établissent l'existence d'un opérateur auto-adjoint positif $A$ associé à la forme bilinéaire, avec un domaine $Dom(A^{1/2}) = V_{\kappa, s}$.
• Spectre discret : Grâce à l'immersion compacte de $V_{\kappa, s}$ dans $L^2(G)$, l'opérateur possède un résolvant compact et un spectre discret de valeurs propres $(\lambda_j)$.
• Bornes spectrales : Des bornes spectrales à deux sens sont dérivées, reliant les valeurs propres de l'opérateur variable à celles d'opérateurs fractionnaires constants d'ordre minimal $s$ et maximal $\bar{s}$.
• Régularité Sobolev : Le résultat principal de régularité stipule que la solution spectrale $u$ appartient presque sûrement à l'espace de Sobolev $H^r(G)$ pour tout $r < 2s - d/2$, où $s = \min_x s(x)$. En particulier, la solution est dans $L^2(G)$ si $s > d/4$.
• Unicité : L'unicité de la solution généralisée gaussienne est prouvée dans la classe des champs gaussiens généralisés.

B. Méthode Numérique (Éléments Finis)

• Discrétisation : Les auteurs proposent un algorithme d'échantillonnage par éléments finis (EF). La matrice de rigidité résultante est dense en raison de la nature non locale de l'opérateur.
• Traitement des singularités : Une stratégie numérique spécifique est développée pour calculer les intégrales singulières près de la diagonale (lorsque les éléments d'éléments finis se touchent ou se chevauchent). Ils utilisent des transformations de type Duffy et des changements de variables supplémentaires pour lisser l'intégrande, permettant une quadrature gaussienne efficace.
• Estimation d'erreur : Des estimations d'erreur sont dérivées. Pour la convergence forte en norme $L^2$, le taux théorique est de l'ordre de $O(h^r)$ avec $r < 2s - d/2$.
• Échantillonnage : La méthode utilise une décomposition de Cholesky de la matrice de masse pour générer efficacement le bruit blanc discret, suivi de la résolution d'un système linéaire.

4. Résultats Numériques

Les expériences numériques sont menées en dimension 1 pour valider le modèle et illustrer l'impact de la régularité variable.

• Cas de test : Trois profils de $s(x)$ sont étudiés : une fonction échelon, un "bump" gaussien, et une rampe oscillatoire.
• Comparaison de covariance : Les covariances des échantillons générés sont comparées à la fonction de covariance de Matérn classique (avec un paramètre de régularité moyen).
  • Les résultats montrent que la covariance locale du modèle variable est encadrée par les covariances des modèles constants utilisant les bornes inférieure et supérieure de $s(x)$.
  • Le modèle capture fidèlement les transitions de régularité : là où $s(x)$ est faible, le champ est moins lisse ; là où $s(x)$ est élevé, il est plus lisse.
• Convergence : Les taux de convergence observés en éléments finis correspondent aux prédictions théoriques basées sur la régularité minimale $s$.

5. Signification et Perspectives

Signification :
Ce travail fournit une généralisation mathématiquement rigoureuse et numériquement traitable des champs de Whittle–Matérn pour des environnements non stationnaires où la régularité varie spatialement. Cela ouvre la voie à une modélisation plus réaliste de phénomènes physiques complexes (comme la turbulence ou les propriétés géologiques) où la "rugosité" du champ change selon la position.

Défis et Perspectives :

• Complexité computationnelle : La nature non locale de l'opérateur entraîne des matrices de rigidité denses ($O(N^2)$), ce qui devient prohibitif en dimensions supérieures ($d \ge 2$).
• Travaux futurs : Les auteurs indiquent que des méthodes d'accélération (matrices hiérarchiques à rang faible, méthodes d'ondelettes) seront développées dans un article ultérieur pour rendre le modèle scalable en haute dimension.
• Extension de l'ordre : Une direction future consiste à lever la restriction $s(x) \in (0, 1)$ pour permettre des champs plus lisses ($s > 1$).

En résumé, cet article établit les fondations théoriques et algorithmiques pour l'utilisation de champs gaussiens avec des paramètres de régularité spatialement variables, comblant un vide important entre la théorie des EDPS fractionnaires et les besoins de modélisation statistique non stationnaire.