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

Résumé Technique : Schéma d'Euler–Maruyama à Pas de Temps Adaptatif pour les EDS à Coefficients Non Globalement Lipschitziens

Énoncé du Problème
L'article traite de l'approximation numérique d'équations différentielles stochastiques (EDS) dont les coefficients de dérive et de diffusion sont localement Lipschitziens mais non globalement Lipschitziens. De telles équations apparaissent fréquemment dans des applications comme la physique statistique (par exemple, l'équation de Langevin sur-amortie) et l'apprentissage automatique, où l'objectif est souvent d'échantillonner à partir d'une distribution de probabilité cible (la mesure invariante).

Les méthodes standards explicites, telles que le schéma d'Euler–Maruyama (EM), échouent souvent pour ces systèmes. Plus précisément, les schémas EM explicites peuvent présenter une instabilité numérique (explosions) ou échouer à préserver les propriétés ergodiques des dynamiques continues sous-jacentes, même lorsque la solution exacte est exponentiellement ergodique. Bien que des méthodes à pas de temps adaptatifs aient été proposées pour atténuer l'instabilité en ajustant la taille du pas en fonction de l'état actuel, les résultats théoriques existants pour les EDS avec des coefficients entièrement localement Lipschitziens restent rares. Les lacunes clés incluent l'absence d'analyse de convergence forte uniforme dans le temps, une compréhension limitée de la stabilité exponentielle des moments dans les contextes adaptatifs, et des questions non résolues concernant la préservation de l'ergodicité et le taux de convergence de la mesure invariante numérique.

Méthodologie
Les auteurs proposent un schéma d'Euler–Maruyama (EM) à pas de temps adaptatif en temps continu. Le mécanisme central implique une fonction de pas de temps $\delta(x)$ ajustée dynamiquement, qui est continue et strictement positive. Cette fonction est choisie pour satisfaire des conditions de croissance spécifiques par rapport aux coefficients de dérive $f(x)$ et de diffusion $g(x)$ afin de prévenir les explosions numériques.

Composants méthodologiques clés :

1. Construction du Pas de Temps Adaptatif : Le pas de temps $\delta_n$ à l'itération $n$ est déterminé par l'état $Y_{t_n}$. La fonction $\delta(\cdot)$ est choisie de telle sorte que $|f(x)|(\delta(x))^\gamma \leq 1 + |x|$ et $|g(x)|^2(\delta(x))^\gamma \leq (1+|x|)^2$ pour un certain $\gamma \in (0, 1/3]$.
2. Schéma K Auxiliaire : Pour prouver que le temps terminal $T$ est presque sûrement atteignable (c'est-à-dire que la simulation ne reste pas bloquée dans des étapes infinies avant d'atteindre $T$) et pour établir des bornes de moment, les auteurs emploient un schéma de troncature auxiliaire (le « schéma K ») introduit par Fang et Giles. Ce dernier consiste à tronquer la solution à un rayon $K$ et à analyser la limite quand $K \to \infty$.
3. Interpolation en Temps Continu : La solution numérique discrète est étendue au temps continu via des interpolations linéaires par morceaux et constantes par morceaux ($\hat{Y}(t)$ et $Y(t)$) pour faciliter l'application de la formule d'Itô et des techniques de martingales.
4. Analyse de Stabilité et d'Ergodicité : L'analyse utilise des fonctions de Lyapunov, le théorème de l'arrêt optionnel et le théorème de Harris pour les chaînes de Markov. Plus précisément, les auteurs établissent que la solution numérique discrète forme une chaîne de Markov homogène dans le temps, irréductible et apériodique.

Contributions Clés et Résultats

1. Atteignabilité et Bornage des Moments :

   • L'article prouve que le temps terminal $T > 0$ est presque sûrement atteignable, garantissant que l'itération adaptative atteint $T$ en un nombre fini d'étapes.
   • Le bornage des moments de la solution numérique est établi tant pour les intervalles de temps finis qu'uniformément dans le temps, à condition que les coefficients satisfassent des conditions spécifiques de croissance polynomiale et de coercivité.

2. Convergence Forte :

   • Temps Fini : Le schéma atteint un taux de convergence forte d'ordre $1/2$ sur des intervalles de temps finis.
   • Uniforme dans le Temps : Sous des hypothèses légèrement renforcées (spécifiquement concernant la condition de Lipschitz unilatérale et la croissance des coefficients), l'article établit un taux de convergence forte uniforme dans le temps d'ordre $1/2$. Ce résultat est obtenu sans imposer un pas de temps minimum positif uniforme.
   • Pour les EDS avec un bruit additif, un taux de convergence forte de premier ordre est atteignable sous des hypothèses plus fortes sur la dérive.

3. Préservation de la Stabilité :

   • Le schéma adaptatif est montré comme héritant fidèlement de la stabilité exponentielle du $p$-ième moment de la solution exacte. Cela comble un vide théorique, car la stabilité exponentielle des moments dans les contextes adaptatifs avait rarement été étudiée auparavant.

4. Ergodicité et Convergence de la Mesure Invariante :

   • La solution numérique est prouvée comme étant ergodique, possédant une mesure de probabilité invariante unique.
   • L'article établit l'ergodicité polynomiale pour le schéma numérique.
   • Crucialement, les auteurs dérivent un taux de convergence de $1/2$ dans la distance de Wasserstein $L_q$ entre la mesure invariante numérique et la mesure invariante exacte de l'EDS sous-jacente. Cela confirme que le schéma approxime avec précision la distribution cible dans la limite de temps long.

5. Validation Numérique :

   • Des expériences numériques sur des EDS raides, des EDS non-raides (Ginzburg-Landau) et des systèmes de Langevin sur-amortis de haute dimension (incluant des exemples d'inférence bayésienne) valident les résultats théoriques.
   • Les comparaisons avec des schémas à pas fixe (EM reculé, EM tamisé, EM tronqué) et des méthodes adaptatives existantes (LMS, méthode de Lemaire) démontrent que le schéma proposé atteint une précision et une efficacité computationnelle supérieures (temps CPU plus faible pour une erreur comparable).

Signification
L'article affirme combler des lacunes critiques dans l'analyse numérique des EDS à coefficients non globalement Lipschitziens. En développant un schéma adaptatif explicite qui garantit une convergence forte uniforme dans le temps et préserve à la fois la stabilité exponentielle des moments et l'ergodicité, ce travail fournit un fondement théorique robuste pour l'échantillonnage de distributions complexes. La dérivation du taux de convergence optimal de l'ordre $1/2$ pour la mesure invariante dans la distance de Wasserstein est mise en évidence comme un avancement théorique significatif, offrant un outil fiable pour les applications en statistiques computationnelles, en physique statistique et en apprentissage automatique, où le comportement à long terme et l'échantillonnage de distribution sont primordiaux.