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

기술 요약: 기능적 계층 텐서(Functional Hierarchical Tensor)를 이용한 이산화된 디안-카와사키(Dean-Kawasaki) 모델의 포커-플랑크 방정식 해결

문제 정의
본 논문은 상호작용하는 입자의 밀도 변동을 기술하는 확률 편미분 방정식(SPDE)인 디안-카와사키(Dean-Kawasaki, DK) 모델과 관련된 시간 의존적 포커-플랑크 방정식(FPE)을 해결하는 과제를 다룹니다. DK 모델은 비평형 통계 물리학, 유동 역학, 에이전트 기반 모델링 분야에서 매우 중요하지만, 이와 관련된 FPE를 수치적으로 해결하는 것은 계산적으로 매우 불가능에 가깝습니다. 주요 어려움은 상태 공간의 높은 차원에서 발생합니다. $d$개의 격자 셀로 공간적 이산화를 수행한 후, 상태는 $(d-1)$차원 확률 심플렉스(각 항목이 비음수이며 합이 1인 제약 조건) 내에 구속된 입자 밀도 벡터가 됩니다. FPE에 대한 전통적인 격자 기반 방법은 차원의 저주를 겪으며, 표준 밀도 추정 기술은 심플렉스 제약 조건과 DK 모델 고유의 강한 공간적 상관관계를 처리하는 데 어려움을 겪습니다.

방법론
저자들은 기능적 계층 텐서 웨이브릿(Functional Hierarchical Tensor over a Wavelet basis, FHT-W)을 활용하여, 밀도 추정을 통해 이산화된 DK 모델의 시간 의당 법칙을 근사하는 입자 기반 워크플로우를 제안합니다. 이 방법론은 네 가지 단계로 진행됩니다:

1. 공간 및 시간 이산화:
   연속적인 DK SPDE는 주기적 도메인 상에서 유한 체적 기법(finite-volume scheme)을 사용하여 이산화됩니다. 이는 SPDE를 셀 평균 밀도 $\Pi(t)$를 제어하는 확률 미분 방정식(SDE) 시스템으로 변환합니다. 이 이산화에는 외부 및 쌍체 퍼텐셜(deterministic fluxes)을 포함하는 Roe 스킴과 수치적 안정성을 보장하고 양수성을 보존하는 특정 확률 플럭스(stochastic flux) 공식([32]에 기반)이 사용됩니다. 결과로 얻어진 SDE는 몬테카를로 궤적을 통해 시뮬레이션되어 샘플 경로의 집합을 생성합니다.

2. 좌표 변환 (심플렉스에서 유클리드 공간으로):
   표준 텐서 네트워크 밀도 추정을 적용하기 위해, 저자들은 상태를 확률 심플렉스 $\Delta$에서 제약이 없는 유클리드 공간으로 매핑합니다. 이는 두 단계의 변환을 통해 이루어집니다:

• 중심 로그 비(Centered Log-Ratio, CLR) 변환: 밀도 벡터 $\pi$는 $s_i = \log(\pi_i) - \frac{1}{d}\sum_j \log(\pi_j)$를 통해 $s$로 매핑됩니다. 이는 심플렉스의 내부를 $\sum s_i = 0$을 만족하는 $\mathbb{R}^d$ 내의 초평면으로 매핑하여, 심플렉스 제약 조건을 효과적으로 제거합니다.
• 웨이브릿 변환: $s$ 좌표는 이어서 이산 웨이브릿 변환(DWT)을 통해 웨이브릿 계수 $c$로 변환됩니다. 이 단계는 격자 모델의 다중 스케일 구조를 활용합니다. 확산으로 인해 인접한 격자 셀들이 강하게 상관되어 있는 DK 모델의 특성상, 웨이브릿 변환은 스케일 전반에 걸쳐 변수들을 탈상관화(decorrelate)하여 결과적인 확률 분포 $P_c(c, t)$의 수치적 랭크를 크게 낮춥니다.

3. 기능적 계층 텐서(FHT-W) 안사츠(Ansatz):
   웨이브릿 좌표 공간에서의 확률 밀도는 기능적 계층 텐서(FHT) 네트워크를 사용하여 근사됩니다. 구체적으로, 저자들은 리프(leaf) 노드가 웨이브릿 계수에 대응하는 계층적 튜커(Hierarchical Tucker, HT) 트리 텐서 네트워크의 변형인 FHT-W를 사용합니다.

• 트리 구조는 웨이브릿 변환의 이진 분해(dyadic decomposition)를 반영합니다.
• 밀도는 고정된 단변량 기저(르장드르 다항식) 상의 전개로 표현되며, 그 계수들은 저계수(low-rank) 텐서 형식으로 구성됩니다.
• 이러한 표현 방식은 계층적 랭크가 낮게 유지된다는 가정하에, 저장 복잡도가 차원 $d$에 대해 지수적이 아닌 선형적으로 확장되도록 합니다.

4. 보간을 통한 관측량 추정:
   학습된 밀도로부터 물리적 관측량(예: 엔트로피)을 계산하기 위해, 저자들은 보간 스킴을 제안합니다. 원래의 $\pi$-공간에서 정의된 관측량이 웨이브릿 $c$-공간에서 복잡한 함수가 되므로, 이를 교차 보간(cross-interpolation) 방법을 사용하여 FHT-W 형식으로 압축합니다. 이는 관측 함수 값의 점 평가(point evaluation)로부터 유도된 구조화된 선형 방정식을 푸는 과정을 포함하며, 이를 통해 밀도 텐서와의 효율적인 수축(contraction)을 가능하게 합니다.

주요 기여

• 포괄적인 계산 프레임워크: 본 논문은 입자 시뮬레이션과 고차원 밀도 추정 사이의 간극을 기능적 밀도 추정을 통해 메움으로써, DK 모델을 연구하기 위한 완전한 파이프라인을 제공합니다.
• 심플렉스 제약 조건 처리: 중심 로그 비 변환과 웨이브릿 좌표의 결적인 도입은 표준 유클리드 텐서 네트워크가 실패하는 영역인 확률 심플리스 문제에 텐서 네트워크 기법을 적용할 수 있게 합니다.
• 고차원으로의 확장성: 이 방법은 $d=64$ 자유도(1D 및 2D 케이스 모두)를 성공적으로 처리하며, 이는 직접적인 FPE 솔버나 단순한 밀도 추정법으로는 다루기 힘든 차원입니다.
• 퍼텐셜 및 상호작용의 통합: 본 프레임워크는 외부 퍼텐셜($V_1$)과 쌍체 상호작용 퍼텐셜($V_2$)을 모두 수용하여, 복잡한 사이트별 상관관계와 상호작용 효과를 포착합니다.

결과
1D 및 2D에서의 수치 실험은 FHT-W 접근법이 실제 모델의 확률 법칙을 정확하게 포착함을 보여줍니다.

• 정확도: 이 방법은 실제 모델의 사이트별 상관관계 및 기타 통계적 관측량을 높은 충실도로 재현합니다.
• 안정성: 워크플로우는 "강한 확산(strong-diffusion)" 가정 하에서 안정적으로 유지되며, 희귀 사건(rare events) 발생 시 폭발을 방지하기 위해 노이즈 항에 클램핑(clamping) 기술이 적용됩니다.
• 효율성: 웨이브릿 변환을 사용하여 분포의 유효 랭크를 낮춤으로써, 이 방법은 $d=64$에 대해 관리 가능한 텐서 랭크(예: 결합 차원 $r=20$)를 유지하면서도 정확한 결과를 얻었으며, 전체 텐서 표현과 관련된 지수적 저장 비용을 피했습니다.

의의 및 주장
저자들은 본 연구를 새로운 텐서 네트워크 아키텍처 자체를 제시하는 것이 아니라, 기존의 트리 기반 텐서 네트워크(특히 HT 형식)를 도전적인 클래스의 확률 미분 방정식(SPDE)에 강력하게 적용한 사례로 규정합니다. 주요 기여는 DK 모델을 위한 실용적이고 확장 가능한 프레임워크를 정립한 것입니다. 본 논문은 이 접근 방식이 특히 샘플 경로뿐만 아니라 전체 확률 분포를 이해해야 하는 영역에서, 유동 역학의 통계적 특성을 연구하기 위한 전통적인 입자 방법의 실행 가능한 대안을 제공한다고 주장합니다. 이 연구는 기하학적 변환(로그 비 및 웨이브릿)과 텐서 네트워크 압축의 결합이 상호작용하는 입자 시스템에 내재된 차원의 장벽을 극복하는 데 필수적임을 강조합니다.