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

Technische Samenvatting: Het oplossen van de Fokker-Planck-vergelijking van gediscretiseerde Dean-Kawaki-modellen met een Functionele Hiërarchische Tensor

Probleemstelling
Het artikel behandelt de uitdaging van het oplossen van de tijd afhankelijke Fokker-Planck-vergelijking (FPE) die geassocieerd wordt met het Dean-Kawaki (DK) model, een stochastische partiële differentiaalvergelijking (SPDE) die de dichtheidsfluctuaties van interagerende deeltjes beschrijft. Hoewel het DK-model fundamenteel is voor de niet-evenwicht statistische fysica, fluctuerende hydrodynamica en agent-gebaseerde modellering, is het numeriek oplossen van de bijbehorende FPE computationeel onhaalbaar. De primaire moeilijkheid komt voort uit de hoge dimensionaliteit van de toestandsruimte: na ruimtelijke discretisatie in $d$ roostercellen is de toestand een vector van deeltjesdichtheden die beperkt zijn tot een $(d-1)$-dimensionaal waarschijnlijkheidssimplex (waarbij de invoer niet-negatief is en samen één vormt). Traditionele roostergebaseerde methoden voor de FPE lijden onder de vloek van dimensionaliteit, en standaard dichtheidschattingstechnieken hebben moeite met de simplex-beperking en de sterke ruimtelijke correlaties die inherent zijn aan het DK-model.

Methodologie
De auteurs stellen een deeltjesgebaseerde workflow voor die de tijd afhankelijke wet van het gediscretiseerde DK-model benadert door middel van dichtheidschatting, gebruikmakend van een functionele hiërarchische tensor netwerk over een wavelet-basis (FHT-W). De methodologie verloopt via vier afzonderlijke stadia:

1. Ruimtelijke en Temporele Discretisatie:
   De continue DK SPDE wordt gediscretiseerd met behulp van een eindige-volume-schema op een periodiek domein. Dit transformeert de SPDE in een systeem van stochastische differentiaalvergelijkingen (SDE's) die de celgemiddelde dichtheden $\Pi(t)$ beheersen. De discretisatie maakt gebruik van een Roe-schema voor deterministische fluxen (betrokken bij externe en paar-potentialen) en een specifieke stochastische flux-formulering (gebaseerd op [32]) die numerieke stabiliteit garandeert en positiviteit behoudt. De resulterende SDE's worden gesimuleerd via Monte Carlo-trajecten om een collectie steekproefpaden te generen.

2. Coördinatentransformatie (Simplex naar Euclidische Ruimte):
   Om de standaard tensor netwerk dichtheidschatting toe te passen, mappen de auteurs de toestand van het waarschijnlijkheidssimplex $\Delta$ naar een onbeperkte Euclidische ruimte. Dit wordt bereikt via een tweestaps-transformatie:

• Centered Log-Ratio (CLR) Transformatie: De dichtheidsvector $\pi$ wordt gemapt naar $s$ via $s_i = \log(\pi_i) - \frac{1}{d}\sum_j \log(\pi_j)$. Dit mapt het binnenste van het simplex naar een hypervlak in $\mathbb{R}^d$ waar $\sum s_i = 0$, wat effectief de simplex-beperking verwijdert.
• Wavelet-transformatie: De $s$-coördinaten worden verder getransformeerd naar wavelet-coëfficiënten $c$ met behulp van een discrete wavelet-transformatie (DWT). Deze stap maakt gebruik van de multi-schaal structuur van het roostermodel. Omdat aangrenzende roostercellen in het DK-model sterk gecorreleerd zijn door diffusie, decorreleert de wavelet-transformatie de variabelen over schalen, wat de numerieke rang van de resulterende waarschijnlijkheidsverdeling $P_c(c, t)$ aanzienlijk vermindert.

3. Functionele Hiërarchische Tensor (FHT-W) Ansatz:
   De waarschijnlijkheidsdichtheid in de wavelet-coördinatenruimte wordt benaderd met behruik van een Functionele Hiërarchische Tensor (FHT) netwerk. Specifiek gebruiken de auteurs de FHT-W variant, die een Hierarchical Tucker (HT) boom-tensor netwerk is waarbij de bladeren overeenkomen met wavelet-coëfficiënten.

• De boomstructuur weerspiegelt de dyadische decompositie van de wavelet-transformatie.
• De dichtheid wordt gerepresenteerd als een expansie over een vaste univariate basis (Legendre-polynomen) met coëfficiënten georganiseerd in een laag-rang tensorformaat.
• Deze representatie maakt het mogelijk dat de opslagcomplexiteit lineair schaalt met de dimensie $d$ in plaats van exponentieel, mits de hiërarchische rangen laag blijven.

4. Observabele Schatting via Interpolatie:
   Om fysieke observabelen (bijv. entropie) te berekenen uit de geleerde dichtheid, stellen de auteurs een interpolatieschema voor. Aangezien observabelen gedefinieerd in de oorspronkelijke $\pi$-ruimte complexe functies worden in de wavelet $c$-ruimte, worden deze gecomprimeerd naar het FHT-W formaat met behulp van een cross-interpolatiemethode. Dit houdt het oplossen van gestructureerde lineaire vergelijkingen in die afgeleid zijn van punt-evaluaties van de observabele-functie, wat een efficiënte contractie met de dichtheidstensor mogelijk maakt.

Belangrijkste Bijdragen

• Een Omvattend Computationeel Framework: Het artikel biedt een volledige pijplijn voor het bestuderen van het DK-model, die de kloof overbrugt tussen stochastische deeltjessimulatie en hoog-dimensionale PDE-oplossing via dichtheidschatting.
• Afhandeling van Simplex-beperkingen: De introductie van de centered log-ratio transformatie in combinatie met wavelet-coördinaten maakt de toepassing van tensor netwerk methoden op waarschijnlijkheidssimplex-problemen mogelijk, een domein waar standaard Euclidische tensor netwerken falen.
• Schaalbaarheid naar Hoge Dimensionaliteit: De methode handelt succesvol systemen met $d=64$ vrijheidsgraden af (zowel 1D als 2D gevallen), een dimensionaliteit die doorgaans onhandelbaar is voor directe FPE-solvers of naïeve dichtheidschatting.
• Integratie van Potentialen en Interacties: Het framework accommodeert zowel externe potentialen ($V_1$) als paar-interactiepotentialen ($V_2$), waardoor complexe site-wijze correlaties en interactie-effecten worden gevangen.

Resultaten
Numerieke experimenten in 1D en 2D demonstreren dat de FHT-W benadering de tijdsontwikkeling van de waarschijnlijkheidswet nauwkeurig vastlegt.

• Nauwkeurigheid: De methode reproduceert site-wijze correlaties en andere statistische observabelen van het ware model met hoge getrouwheid.
• Stabiliteit: De workflow blijft stabiel onder de aanname van het "sterke-diffusie"-regime, waarbij clamping-technieken worden toegepast op de ruistermen om exponentieel uiteenlopen in zeldzame gebeurtenissen te voorkomen.
• Efficiëntie: Door gebruik te maken van de wavelet-transformatie om de effectieve rang van de verdeling te verlagen, bereikt de methode nauwkeurige resultaten voor $d=64$ met beheersbare tensor-rangen (bijv. bond dimension $r=20$), waardoor de exponentiële opslagkosten van volledige tensor-representaties worden vermeden.

Betekenis en Claims
De auteurs positioneren dit werk niet als een nieuwe tensor netwerk architectuur op zich, maar als een robuuste toepassing van bestaande boom-gebaseerde tensor netwerken (specifiek het HT-formaat) op een uitdagende klasse van stochastische partiële differentiaalvergelijkingen. De primaire bijdrage is de formulering van een praktisch, schaalbaar framework voor het DK-model. Het artikel claimt dat deze benadering een levensvatbaar alternatief biedt voor traditionele deeltjesmethoden voor het bestuderen van de statistische eigenschappen van fluctuerende hydrodynamica, met name in regimes waar begrip van de volledige waarschijnlijkheidsverdeling (in plaats van alleen steekproefpaden) vereist is. Het werk benadrukt dat de combinatie van geometrische transformaties (log-ratio en wavelet) met tensor netwerk compressie essentieel is om de dimensionaliteitsbarrières te overwinnen die inherent zijn aan gediscretiseerde interagerende deeltjessystemen.