論文の技術的概要：確率微分方程式に対するコップマン固有関数のためのカーネル手法

この論文は、決定論的システム向けに開発された輸送方程式とコップマン固有関数に対する統一されたカーネルフレームワークを、確率微分方程式（SDE）を含む確率システムへと拡張するものです。著者らは、Feynman-Kac 公式に基づく確率的表現を用いることで、決定論的な手法の 3 つのアプローチ（変分原理、グリーン関数、解核）を SDE へ適用可能にし、それらが等価であることを証明しています。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細をまとめます。

---

1. 問題設定と背景

背景

コップマン演算子理論は、非線形力学系を線形な無限次元演算子として記述する強力な枠組みです。特に、コップマン固有関数は状態空間の幾何学的構造（安定多様体、吸引域など）を明らかにし、最適制御や予測に不可欠です。
先行研究 [1] では、決定論的システム（$\dot{x} = f(x)$）に対して、3 つの異なるアプローチ（Lions 型変分原理、グリーン関数、特性曲線法）から構成される再生核が等価であることを示す統一フレームワークが提案されました。

課題

しかし、分子動力学、金融数学、気候モデルなど、多くの実用的なシステムは確率的擾乱（ノイズ）の影響を受けます。

• 決定論的ケース: コップマン固有関数方程式は 1 階の双曲型偏微分方程式（輸送方程式）$f \cdot \nabla \phi = \lambda \phi$ となります。
• 確率的ケース（SDE）: 拡散項が加わるため、方程式は 2 階の楕円型・放物型偏微分方程式（Kolmogorov 後方方程式）$G \cdot \nabla \phi + \frac{1}{2}\text{Tr}[a\nabla^2 \phi] = \lambda \phi$ へと変化します。

この根本的な変化により、決定論的な「特性曲線法」は直接適用できず、確率的な表現（Feynman-Kac 公式）への転換が必要となります。また、2 階微分項の扱いや、拡散による数値的安定性への影響も未解明でした。

2. 手法と理論的枠組み

著者らは、SDE に対するコップマン固有関数を求めるために、以下の 3 つのカーネル構成手法を確率系へ拡張し、それらの等価性を証明しました。

2.1 3 つのカーネル構成の拡張

1. Lions 型変分原理（変分カーネル $k_{var}$）:
   • 2 階微分を含むグラフノルム $\|u\|_H^2 = \|u\|_{L^2}^2 + \|(L_{stoch} - \lambda)u\|_{L^2}^2$ を持つヒルベルト空間を定義します。
   • 点評価のリース表現者としてカーネルを定義します。これには $C^{2,2}$ の滑らかさを持つカーネル（例：ガウス RBF）が必要です。
2. Feynman-Kac によるグリーン関数（Feynman-Kac カーネル $k_{FK}$）:
   • 決定論的な特性曲線に代わり、Feynman-Kac 公式を用います。
   • 非線形補正項 $h(x)$ は、確率過程 $X_t$ の経路積分として表現されます：
     $$h(x) = \mathbb{E}_x \left[ e^{-\lambda \tau_\Omega} \psi(X_{\tau_\Omega}) + \int_0^{\tau_\Omega} e^{-\lambda t} w^\top F(X_t) dt \right]$$
   • カーネルは、この経路積分におけるグリーン関数の時間積分として定義されます。
3. 確率解核（Resolvent Kernel $k_{res}$）:
   • コップマン生成子の解核 $(\lambda I - K)^{-1}$ を、確率経路上のラプラス変換として定義します：
     $$k_{res}(x, y) = \mathbb{E}_x \left[ \int_0^{\tau_\Omega} e^{-\lambda t} \delta(y - X_t) dt \right]$$

2.2 核の等価性定理

定理: 拡散テンソル $a(x)$ が一様楕円性（Uniform Ellipticity）を満たし、$\lambda$ の実部が適切な条件（$\Re(\lambda) > \frac{1}{2}\|(\nabla \cdot G)^-\|_\infty$）を満たす場合、これら 3 つの構成は同一の再生核を生成します。
$$k_{var}(x, y) = k_{FK}(x, y) = k_{res}(x, y)$$
この等価性は、決定論的ケースにおける「特性曲線法」の役割を、確率系では「Feynman-Kac 公式」および「楕円性」が担うことを示しています。

2.3 擬楕円性（Hypoellipticity）への拡張

拡散項が特異（ランク不足）な場合でも、Hörmander 条件（リー括弧積による完全性）を満たせば、擬楕円的正則性理論を用いて同様のフレームワークを拡張できることを示しています（付録 A-D）。

3. 計算手法

3.1 配置法（Collocation Method）

偏微分方程式を数値的に解くため、配置点 $\{x_i\}$ 上で核近似 $h(x) \approx \sum \alpha_j k(x, x_j)$ を行います。

• 拡散行列の導出: 2 階微分項を扱うため、核関数のヘッシアン（Hessian）を明示的に計算する行列 $D$ を導入します。
  $$D_{ij} = \frac{1}{2}\text{Tr}[a(x_i) \nabla_x^2 k(x_i, x_j)]$$
• ガウス RBF 核の場合: 1 階・2 階微分の明示式を導出し、拡散行列の要素を効率的に計算する式を提示しています。

3.2 モンテカルロ Feynman-Kac 近似

解析的な解が得られない場合、Euler-Maruyama 法を用いて SDE の経路をシミュレーションし、Feynman-Kac 公式に基づく期待値をモンテカルロ推定します。

• 誤差分解: 総誤差を「RKHS 近似誤差」と「モンテカルロサンプリング誤差」に明確に分離し、それぞれの収束率を理論的に保証しています。

3.3 拡散による数値的条件改善

重要な発見として、適度な拡散（ノイズ）が数値的な条件数を改善することが示されました。

• 拡散項は、離散化された線形システムの行列に対して負の対角成分を追加し、固有値をゼロから遠ざける「楕円的正則化」効果を持ちます。
• これにより、決定論的ケース（$\sigma=0$）で生じやすい特異性や数値的不安定性が緩和され、計算の安定性が向上します。

4. 数値実験結果

オーンシュタイン・ウーレンベック（OU）過程、非線形 SDE（二次非線形）、2 次元線形システムを用いた実験により、理論的枠組みが検証されました。

• 精度: 線形システムでは機械精度（$10^{-14}$ 以下）で固有関数を回復しました。非線形システムでも、半群誤差（Semigroup error）が 10% 未満に抑えられ、高い精度を達成しました。
• 拡散の影響:
  • 拡散係数 $\sigma$ を 0 から 0.5 に増やすと、条件数が $3.79 \times 10^6$ から $1.03 \times 10^6$ へと大幅に改善されました（約 3.7 倍の改善）。
  • 一方で、近似誤差（PDE 残差）はわずかに増加するものの、許容範囲内に留まりました。
• 結論: 適度なノイズは、数値的安定性を向上させながら、システムの構造を維持することが確認されました。

5. 関連手法との比較

• gEDMD (Generator EDMD): データ駆動型で生成子を近似する手法。本論文はモデルベース（$G, \sigma$ が既知）ですが、gEDMD で推定したパラメータと組み合わせることで相補的に利用可能です。
• Diffusion Maps: データ多様体上のラプラシアンを近似する非パラメトリック手法。本手法は特定の SDE 構造に基づき固有関数を直接計算します。
• Kernel Analog Forecasting: 観測値の類似性に基づく予測。本手法で得られた固有関数は、より高精度な予測や制御設計に利用できます。

6. 意義と将来展望

意義

1. 理論的統合: 決定論的および確率的な力学系に対するコップマン固有関数の計算を、再生核ヒルベルト空間（RKHS）の枠組みで統一的に記述しました。
2. 数値的安定性の解明: 拡散項が数値計算の条件数を改善する「楕円的正則化」として機能することを初めて理論的・数値的に示しました。
3. 実用性の拡大: モンテカルロ法と配置法のハイブリッド手法により、高次元や複雑な確率システムへの適用可能性を開拓しました。

将来の展望

• 無限次元 SDE（確率偏微分方程式、乱流）への拡張。
• レヴィノイズを含むジャンプ拡散過程への適用。
• 非マルコフ性（メモリ効果）を持つシステムへの対応。
• 高次元スケーリングのためのテンソル法やニューラルネットワーク代理モデルとの統合。
• 確率システムにおけるコップマンに基づく最適制御の合成。

この論文は、確率力学系の解析と制御において、カーネル手法が持つ強力な理論的基盤と数値的有効性を再確認し、その応用範囲を大幅に拡大する重要な貢献を果たしています。