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

Sintesi Tecnica: Probabilità di Scissione Condizionata per l'Inferenza dello Stato Nascosto in Processi Drift-Diffusivi

Enunciato del Problema
Le probabilità di scissione (splitting probabilities) sono quantità fondamentali nei processi stocastici, che quantificano la probabilità che un sistema esca da un intervallo definito attraverso confini specifici. Sebbene tradizionalmente applicate a processi monodimensionali per determinare le probabilità di uscita (ad esempio, il problema del giocatore d'azzardo o il fissamento nella dinamica delle popolazioni), questo lavoro affronta uno scenario più complesso che coinvolge processi Markoviani bidimensionali $\{X(t), Y(t)\}$. In questo contesto, $X(t)$ è una variabile drift-diffusiva continua e osservabile, mentre $Y(t)$ rappresenta uno stato interno nascosto (che può essere discreto o continuo). Il problema centrale è determinare la probabilità di scissione congiunta: la probabilità che $X(t)$ esca da un intervallo $L = [x_{min}, x_{max}]$ attraverso un confine specifico e che lo stato nascosto $Y(t)$ si trovi in una specifica configurazione $y_{exit}$ al momento dell'uscita.

Sulla base di ciò, il documento investiga la probabilità di scissione condizionata: la probabilità a posteriori dello stato nascosto $Y$ dato che si è verificato un evento di uscita in un determinato confine. Gli autori mirano a determinare se e come l'osservazione di un singolo evento di uscita puntuale possa essere utilizzata per inferire lo stato di una variabile nascosta, una capacità rilevante per il controllo della materia attiva e la teoria delle decisioni.

Metodologia
Gli autori impiegano un framework basato sull'equazione backward di Kolmogorov e sul teorema di Bayes.

1. Formulazione della Probabilità Congiunta:
   Per un processo governato da operatori Fokker-Planck diretti $\mathcal{L}^{(X)}_F$ e $\mathcal{L}^{(Y)}_F$, la probabilità di scissione congiunta $\Pi(x_{exit}, y_{exit}|x_0, y_0)$ soddisfa l'equazione backward stazionaria:
   $$0 = \mathcal{L}^{(X)}_B \Pi + \mathcal{L}^{(Y)}_B \Pi$$
   soggetta a condizioni al contorno in cui il processo viene assorbito ai confini dell'intervallo. Gli autori considerano sia condizioni al contorno completamente permeabili (assorbenti) che parzialmente permeabili (Robin).

2. Dinamiche Decoppiate vs. Accoppiate:
   L'analisi è suddivisa in due classi di processi:

   • Caso Decoppiato: $X(t)$ è un semplice moto browniano indipendente da $Y(t)$. La soluzione è costruita utilizzando l'autobasi dell'operatore Fokker-Planck per $Y(t)$. La probabilità congiunta è espressa come un'espansione spettrale che coinvolge gli autovettori e gli autovalori del processo nascosto.
   • Caso Accoppiato Unidirezionalmente: $X(t)$ dipende da $Y(t)$ (ad esempio, i coefficienti di drift o di diffusione dipendono dallo stato interno), ma $Y(t)$ evolve indipendentemente da $X(t)$. In questi casi, le equazioni backward diventano sistemi accoppiati di ODE, che vengono risolti esplicitamente per specifici modelli paradigmatici.

3. Inferenza Condizionata:
   Una volta calcolate le probabilità congiunte, la probabilità di scissione condizionata viene derivata tramite il teorema di Bayes:
   $$\Pi(y_{exit}|x_{exit}; x_0, y_0) = \frac{\Pi(x_{exit}, y_{exit}|x_0, y_0)}{P(x_{exit}|x_0, y_0)}$$
   dove il denominatore è la probabilità di scissione marginale dell'osservabile $X$.

Risultati Chiave

1. Stati Nascosti Decoppiati (Moto Browniano + Stato Interno)
Per processi in cui $X(t)$ è un moto browniano e $Y(t)$ è uno stato interno decoppiato (discreto o continuo), gli autori derivano espressioni generiche per la probabilità di scissione congiunta in termini dell'eigensistema della dinamica di $Y$.

• Processo di Maturazione-Guasto (Ripening-Spoiling): Viene analizzato un modello discreto a tre stati (Immaturo $\to$ Maturo $\to$ Guasto). La probabilità congiunta di uscire in uno stato specifico (ad esempio, "Maturo") mostra una dipendenza non monotona dalla posizione iniziale $x_0$. Ciò deriva dal fatto che solo le traiettorie con durate specifiche (che permettono la transizione a "Maturo" ma non ancora a "Guasto") contribuiscono alla probabilità di uscita in quello stato.
• Processo di Ornstein-Uhlenbeck (OU): Per uno stato nascosto gaussiano continuo, la probabilità congiunta è espressa come una serie infinita di polinomi di Hermite.
• Limite di Inferenza: Nel caso decoppiato, gli autori dimostrano che l'inferenza dello stato nascosto da un singolo evento di uscita è possibile solo nel regime transiente (condizioni iniziali non stazionarie). Nel limite di intervalli grandi ($L \to \infty$) o diffusione evanescente ($D \to 0$), la probabilità congiunta si fattorizza nel prodotto della probabilità di scissione marginale e della distribuzione stazionaria di $Y$. Di conseguenza, la probabilità condizionata converge alla prior, rendendo impossibile l'inferenza per inizializzazioni stazionarie.

2. Stati Nascosti Unidirezionalmente Accoppiati
Per sistemi in cui la dinamica osservabile dipende dallo stato nascosto, l'inferenza rimane possibile anche per inizializzazioni stazionarie. Gli autori forniscono derivazioni esplicite per tre casi:

• Dinamica Run-and-Tumble (RnT): Una particella con uno stato di auto-propulsione $Y \in \{-1, 1\}$ che commuta con tasso $\alpha$. Gli autori risolvono le equazioni backward accoppiate per trovare le probabilità di scissione congiunta. Mostrano che la verosimiglianza a posteriori della direzione della particella (muovente a sinistra vs. destra) all'uscita da un confine devia significamente dalla prior (1/2). Questa deviazione aumenta con il numero di Péclet ($Pe = \nu^2/\alpha D$), indicando che la persistenza permette un'inferenza affidabile dello stato interno anche nel limite di intervalli grandi.
• Potenziale a Tratti Lineare Intermittente: Una particella soggetta a un potenziale che si accende e si spegne stocasticamente. Le probabilità congiunte sono risolte dividendo il dominio all'apice del potenziale. I risultati mostrano che la probabilità condizionata che il potenziale sia "acceso" o "spento" all'uscita dipende in modo non monotono dall'apice della posizione e dall'altezza della barriera.
• Resetting Stocastico: Una particella che subisce un moto browniano con resetting stocastico a una posizione $x_r$. Lo stato nascosto è definito dal numero di eventi di reset $n$. Gli autori derivano la probabilità congiunta di uscire dopo esattamente $n$ reset. Riscontrano che, sebbene il numero di reset più probabile sia zero (a causa della natura priva di memoria del processo di Poisson), il numero medio di reset condizionato su un confine di uscita specifico è non banale e dipende dal tasso di resetting e dalla dimensione dell'intervallo.

Significato e Rivendicazioni
Il documento rivendica due contributi primari:

1. Framework Analitico: Fornisce un metodo generale per calcolare le probabilità di scissione congiunta per processi Markoviani bidimensionali, espressi o tramite decomposizione spettrale (per sistemi decoppiati) o tramite soluzioni esplicite di ODE accoppiate (per sistemi unidirezionalmente accoppiati).
2. Schema di Inferenza: Stabilisce un "schema semplice" per l'inferenza bayesiana parziale degli stati interni nascosti basata esclusivamente sulla rilevazione puntuale di eventi di uscita.

Gli autori evidenziano una distinzione critica tra le due classi di processi:

• Nei sistemi decoupled (deaccoppiati), l'inferenza è limitata alle dinamiche transitorie; una volta che lo stato nascosto si rilassa al suo stato stazionario, gli eventi di uscita non forniscono informazioni sullo stato interno.
• Nei sistemi unidirectionally coupled (unidirezionalmente accoppiati), comuni nei modelli di materia attiva, l'accoppiamento preserva le informazioni sullo stato interno nelle statistiche di uscita, permettendo l'inferenza anche nel limite di lungo tempo ($L \to \infty$).

Il lavoro suggerisce che questo schema di inferenza basato sui confini potrebbe essere applicato al controllo di processi stocastici guidati, come l'ottimizzazione dell'estrazione di potenza da particelle attive, sfruttando la correlazione tra punti di uscita e stati nascosti. Gli autori notano che, sebbene si siano concentrati su stati nascosti discreti nei casi accoppiati, estendere questi risultati a stati nascosti continui (ad esempio, processi di Ornstein-Uhlenbeck attivi) rimane una sfida aperta.