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

Sintesi Tecnica: Schema di Euler–Maruyama con Passo Temporale Adattivo per SDE con Coefficienti Non Globalmente Lipschitzian

Definizione del Problema
Il documento affronta l'approssimazione numerica di equazioni differenziali stocastiche (SDE) in cui i coefficienti di drift e di diffusione sono localmente Lipschitz ma non globalmente Lipschitz. Tali equazioni emergono frequentemente in applicazioni come la fisica statistica (ad esempio, l'equazione di Langevin sovradipendente) e il machine learning, dove l'obiettivo è spesso quello di campionare da una distribuzione di probabilità target (la misura invariante).

Gli schemi espliciti standard, come lo schema di Euler–Maruyama (EM), spesso falliscono per questi sistemi. Nello specifico, gli schemi EM espliciti possono esibire instabilità numerica (esplosioni) o non riuscire a preservare le proprietà ergodiche della dinamica continua sottostante, anche quando la soluzione esatta è esponenzialmente ergodica. Sebbene siano stati proposti metodi con passo temporale adattivo per mitigare l'instabilità regolando la dimensione del passo in base allo stato corrente, i risultati teorici esistenti per le SDE con coefficienti interamente localmente Lipschitz rimangono scarsi. Le lacune chiave includono la mancanza di un'analisi della convergenza forte uniforme nel tempo, una comprensione limitata della stabilità esponenziale dei momenti in contesti adattivi e questioni irrisolte riguardanti la preservazione dell'ergodicità e il tasso di convergenza della misura invariante numerica.

Metodologia
Gli autori propongono uno schema di Euler–Maruyama (EM) con passo temporale adattivo in tempo continuo. Il meccanismo centrale consiste in una funzione di passo temporale $\delta(x)$ dinamicamente regolata, che è continua e strettamente positiva. Questa funzione è progettata per soddisfare specifiche condizioni di crescita rispetto ai coefficienti di drift $f(x)$ e di diffusione $g(x)$ al fine di prevenire esplosioni numeriche.

I componenti metodologici chiave includono:

1. Costruzione del Passo Temporale Adattivo: La dimensione del passo $\delta_n$ all'iterazione $n$ è determinata dallo stato $Y_{t_n}$. La funzione $\delta(\cdot)$ è scelta in modo tale che $|f(x)|(\delta(x))^\gamma \leq 1 + |x|$ e $|g(x)|^2(\delta(x))^\gamma \leq (1+|x|)^2$ per un certo $\gamma \in (0, 1/3]$.
2. Schema Ausiliario K: Per dimostrare che il tempo terminale $T$ è quasi certamente raggiungibile (ovvero, che la simulazione non si blocca in infiniti passi prima di raggiungere $T$) e per stabilire i limiti dei momenti, gli autori impiegano uno schema troncato ausiliario (lo "schema K") introdotto da Fang e Giles. Questo comporta la troncatura della soluzione a un raggio $K$ e l'analisi del limite per $K \to \infty$.
3. Interpolazione in Tempo Continuo: La soluzione numerica discreta viene estesa al tempo continuo tramite interpolazioni lineare a tratti e a tratti costanti ($\hat{Y}(t)$ e $Y(t)$) per facilitare l'applicazione della formula di Itô e delle tecniche di martingala.
4. Analisi della Stabilità e dell'Ergodicità: L'analisi utilizza funzioni di Lyapunov, il teorema del tempo di arresto opzionale e il teorema di Harris per catene di Markov. Nello specifico, gli autori stabiliscono che la soluzione numerica discreta forma una catena di Markov tempo-omogenea, irriducibile e aperiodica.

Contributi Chiave e Risultati

1. Raggiungibilità e Limiti dei Momenti:

   • Il documento dimostra che il tempo terminale $T > 0$ è quasi certamente raggiungibile, garantendo che l'iterazione adattiva raggiunga $T$ in un numero finito di passi.
   • Il limite dei momenti della soluzione numerica è stabilito sia per intervalli di tempo finito che uniformemente nel tempo, a condizione che i coefficienti soddisfino specifiche condizioni di crescita polinomiale e coercitività.

2. Convergenza Forte:

   • Tempo Finito: Lo schema raggiunge un tasso di convergenza forte di ordine $1/2$ su intervalli di tempo finito.
   • Uniforme nel Tempo: Sotto assunzioni leggermente rafforzate (specificamente riguardo alla condizione Lipschitz mono-laterale e alla crescita dei coefficienti), il documento stabilisce un tasso di convergenza forte uniforme nel tempo di ordine $1/2$. Questo risultato è valido senza imporre un valore minimo di passo temporale uniformemente positivo.
   • Per le SDE con rumore additivo, è ottenibile un tasso di convergenza forte di primo ordine sotto assunzioni più forti sul drift.

3. Preservazione della Stabilità:

   • Si dimostra che lo schema adattivo eredita fedelmente la stabilità esponenziale del $p$-esimo momento della soluzione esatta. Ciò colma un vuoto teorico, poiché la stabilità esponenziale dei momenti in contesti adattivi era stata raramente investigata in precedenza.

4. Ergodicità e Convergenza della Misura Invariante:

   • Viene dimostrato che la soluzione numerica è ergodica, possedendo una misura di probabilità invariante unica.
   • Il documento stabilisce l'ergodicità polinomiale per lo schema numerico.
   • Fondamentalmente, gli autori derivano un tasso di convergenza di $1/2$ nella distanza di Wasserstein $L_q$ tra la misura invariante numerica e la misura invariante esatta della SDE sottostante. Ciò conferma che lo schema approssima accuratamente la distribuzione target nel limite di lungo periodo.

5. Validazione Numerica:

   • Esperimenti numerici su SDE rigide (stiff), SDE non rigide (Ginzburg-Landau) e sistemi di Langevin sovradipendenti ad alta dimensionalità (inclusi esempi di inferenza bayesiana) validano i risultati teorici.
   • I confronti con schemi a passo fisso (backward EM, tamed EM, truncated EM) e metodi adattivi esistenti (LMS, metodo di Lemaire) dimostrano che il metodo proposto raggiunge una precisione e un'efficienza computazionale superiori (minore tempo di CPU per un errore comparabile).

Significatività
Il documento sostiene di colmare lacune critiche nell'analisi numerica delle SDE con coefficienti non globalmente Lipschitziani. Sviluppando uno schema adattivo esplicito che garantisce la convergenza forte uniforme nel tempo e preserva sia la stabilità esponenziale dei momenti che l'ergodicità, il lavoro fornisce una solida base teorica per il campionamento da distribuzioni complesse. La derivazione del tasso di convergenza ottimale di ordine $1/2$ per la misura invariante nella distanza di Wasserstein è evidenziata come un significativo avanzamento teorico, offrendo uno strumento affidabile per applicazioni nella statistica computazionale, la fisica statistica e il machine learning, dove il comportamento a lungo termine e il campionamento della distribuzione sono di fondamentale importanza.