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

Sintesi Tecnica: Risoluzione dell'equazione di Fokker-Planck di modelli di Dean-Kawasaki discretizzati con Tensore Gerarchico Funzionale

Definizione del Problema
Il saggio affronta la sfida di risolvere l'equazione di Fokker-Planck (FPE) tempo-dipendente associata al modello di Dean-Kawasaki (DK), un'equazione differenziale stocastica alle derivate parziali (SPDE) che descrive le fluttuazioni di densità di particelle interagenti. Sebbene il modello DK sia fondamentale nella fisica statistica fuori equilibrio, nell'idrodinamica fluttuante e nella modellazione basata su agenti, la risoluzione numerica della sua FPE associata è computazionalmente proibitiva. La difficoltà principale risiede nell'elevata dimensionalità dello spazio degli stati: dopo la discretizzazione spaziale in $d$ celle di griglia, lo stato è un vettore di densità di particelle vincolato a un simplesso di probabilità $(d-1)$-dimensionale (dove le voci sono non negative e la loro somma è unitaria). I metodi tradizionali basati su griglia per la FPE soffrono della maledizione della dimensionalità, e le tecniche standard di stima della densità faticano a gestire il vincolo del simplesso e le forti correlazioni spaziali inerenti al modello DK.

Metodologia
Gli autori propongono un flusso di lavoro basato su particelle che approssima la legge tempo-dipendente del modello DK discretizzato attraverso la stima della densità, utilizzando un tensore gerarchico funzionale su una base wavelet (FHT-W). La metodologia si articola in quattro fasi distinte:

1. Discretizzazione Spaziale e Temporale:
   La SPDE continua di Dean-Kawasaki viene discretizzata utilizzando uno schema a volumi finiti su un dominio periodico. Questo trasforma la SPDE in un sistema di equazioni differenziali stocastiche (SDE) che governano le densità medie di cella $\Pi(t)$. La discretizzazione impiega uno schema di Roe per i flussi deterministici (che coinvolgono potenziali esterni e a coppie) e una specifica formulazione del flusso stocastico (basata su [32]) che garantisce la stabilità numerica e preserva la positività. Le SDE risultanti vengono simulate tramite traiettorie Monte Carlo per generare una collezione di cammini campionari.

2. Trasformazione di Coordinate (dal Simplesso allo Spazio Euclideo):
   Per applicare la stima della densità tramite reti tensoriali, gli autori mappano lo stato dal simplesso di probabilità $\Delta$ a uno spazio euclideo non vincolato. Ciò avviene tramite una trasformazione in due fasi:

• Trasformazione del Rapporto Logaritmico Centrato (CLR): Il vettore di densità $\pi$ è mappato in $s$ tramite $s_i = \log(\pi_i) - \frac{1}{d}\sum_j \log(\pi_j)$. Questo mappa l'interno del simplesso in un iperpiano in $\mathbb{R}^d$ dove $\sum s_i = 0$, eliminando efficacemente il vincolo del simplesso.
• Trasformazione Wavelet: Le coordinate $s$ sono ulteriormente trasformate in coefficienti wavelet $c$ mediante una trasformata wavelet discreta (DWT). Questo passaggio sfrutta la struttura multiscala del modello su reticolo. Poiché le celle adiacenti nella griglia del modello DK sono fortemente correlate a causa della diffusione, la trasformata wavelet decorrelata le variabili attraverso le scale, riducendo significativamente il rango numerico della distribuzione di probabilità $P_c(c, t)$ risultante.

3. Ansatz di Tensore Gerarchico Funzionale (FHT-W):
   La densità di probabilità nello spazio delle coordinate wavelet è approssimata utilizzando una rete di tensori gerarchici funzionali (FHT). Nello specifico, gli autori utilizzano la variante FHT-W, che è una rete tensoriale ad albero di tipo Hierarchical Tucker (HT) dove le foglie corrispondono ai coefficienti wavelet.

• La struttura ad albero rispecchia la decomposizione diadica della trasformata wavelet.
• La densità è rappresentata come un'espansione su una base univariata fissa (polinomi di Legendre) con coefficienti organizzati in un formato tensoriale a basso rango.
• Questa rappresentazione permette alla complessità di archiviazione di scalare linearmente con la dimensione $d$ anziché esponenzialmente, a condizione che i ranghi gerarchici rimangano bassi.

4. Stima degli Osservabili tramite Interpolazione:
   Per calcolare gli osservabili fisici (ad esempio, l'entropia) dalla densità appresa, gli autori propongono uno schema di interpolazione. Poiché gli osservabili definiti nello spazio $\pi$ originale diventano funzioni complesse nello spazio wavelet $c$, essi vengono compressi nel formato FHT-W utilizzando un metodo di cross-interpolazione. Questo comporta la risoluzione di equazioni lineari strutturate derivate da valutazioni puntuali della funzione osservabile, consentendo una contrazione efficiente con il tensore di densità.

Contributi Chiave

• Un Framework Computazionale Completo: Il saggio fornisce una pipeline completa per studiare il modello DK, colmando il divario tra la simulazione stocastica di particelle e la risoluzione di PDE ad alta dimensionalità tramite stima della densità.
• Gestione dei Vincoli del Simplesso: L'introduzione della trasformazione del rapporto logaritmico centrato combinata con le coordinate wavelet consente l'applicazione di metodi tensoriali ai problemi del simplesso di probabilità, un dominio in cui le reti tensoriali euclidee standard falliscono.
• Scalabilità verso Alte Dimensioni: Il metodo gestisce con successo sistemi con $d=64$ gradi di libertà (sia casi 1D che 2D), una dimensionalità tipicamente intrattabile per i solutori diretti di FPE o per una stima ingenua della densità.
• Integrazione di Potenziali e Interazioni: Il framework accoglie sia potenziali esterni ($V_1$) che potenziali di interazione a coppie ($V_2$), catturando complesse correlazioni sito-specifiche ed effetti di interazione.

Risultati
Esperimenti numerici in 1D e 2D dimostrano che l'approccio FHT-W cattura accuratamente l'evoluzione temporale della legge di probabilità.

• Accuratezza: Il metodo riproduce le correlazioni sito-specifiche e altri osservabili statistici del modello reale con alta fedeltà.
• Stabilità: Il workflow rimane stabile sotto l'assunzione del regime di "forte diffusione", con tecniche di clamping applicate ai termini di rumore per prevenire esplosioni in eventi rari.
• Efficienza: Utilizzando la trasformata wavelet per ridurre il rango effettivo della distribuzione, il metodo ottiene risultati accurati per $d=64$ con ranghi tensoriali gestibili (ad esempio, dimensione di legame $r=20$), evitando i costi di archiviazione esponenziali associati alle rappresentazioni tensoriali complete.

Significatività e Rivendicazioni
Gli autori posizionano questo lavoro non tanto come una nuova architettura di rete tensoriale in sé, quanto come una robusta applicazione di esistenti reti tensoriali ad albero (specificamente il formato HT) a una classe impegnativa di SPDE stocastiche. Il contributo primario è la formulazione di un framework pratico e scalabile per il modello DK. Il saggio sostiene che questo approccio offra un'alterna valida ai metodi tradizionali basati su particelle per studiare le proprietà statistiche dell'idrodinamica fluttuante, particolarmente nei regimi in cui è richiesto la comprensione della distribuzione di probabilità completa (anziché solo dei cammini campionari). Il lavoro evidenzia come la combinazione di trasformazioni geometriche (rapporto logaritmico e wavelet) con la compressione tensoriale sia essenziale per superare le barriere dimensionali inerenti ai sistemi di particelle interagenti discretizzati.