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

Technische Samenvatting: Conditionele Splitsingskansen voor Hidden-State Inferentie in Drift-Diffusieve Processen

Probleemstelling
Splitsingskansen zijn fundamentele grootheden in stochastische processen; ze kwantificeren de waarschijnlijkheid waarmee een systeem een gedefinieerd interval verlaat via specifieke grenzen. Hoewel deze traditioneel worden toegepast op eendimensionale processen om exit-kansen te bepalen (bijv. de Gambler's Ruin, fixatie in populatiedynamica), behandelt dit werk een complexer scenario met twee-dimensionale Markov-processen $\{X(t), Y(t)\}$. Hierbij is $X(t)$ een observeerbare, continue drift-diffusieve variabele, terwijl $Y(t)$ een verborgen interne staat vertegenwoordigt (die discreet of continu kan zijn). Het centrale probleem is het bepalen van de gezamenlijke splitsingskans: de waarschijnlijkheid dat $X(t)$ een interval $L = [x_{min}, x_{max}]$ verlaat via een specifieke grens en dat de verborgen staat $Y(t)$ zich op het moment van exit in een specifieke configuratie $y_{exit}$ bevindt.

Voortbouwend hierop onderzoekt het artikel de conditionele splitsingskans: de posterieure waarschijnlijkheid van de verborgen staat $Y$ gegeven dat een exit-gebeurtenis heeft plaatsgevonden bij een specifieke grens. De auteurs beogen te bepalen of en hoe de observatie van een enkelvoudige puntwijze exit-gebeurtenis kan worden gebruikt om de staat van een verborgen variabele af te leiden, een capaciteit die relevant is voor de controle van actieve materie en besluitvormingstheorie.

Methodologie
De auteurs maken gebruik van een raamwerk gebaseerd op de Kolmogorov backward equation en de Regel van Bayes.

1. Formulering van de Gezamenlijke Waarschijnlijkheid:
   Voor een proces dat wordt beheerst door forward Fokker-Planck-operatoren $\mathcal{L}^{(X)}_F$ en $\mathcal{L}^{(Y)}_F$, voldoet de gezamenlijke splitsingskans $\Pi(x_{exit}, y_{exit}|x_0, y_0)$ aan de stationaire backward equation:
   $$0 = \mathcal{L}^{(X)}_B \Pi + \mathcal{L}^{(Y)}_B \Pi$$
   onderworpen aan randvoorwaarden waarbij het proces wordt geabsorbeerd bij de grenzen van het interval. De auteurs beschouwen zowel volledig doorlaatbare (absorberende) als gedeeltelijk doorlaatbare (Robin) randvoorwaarden.

2. Ontkoppelde versus Gekoppelde Dynamica:
   De analyse wordt onderverdeeld in twee klassen van processen:

   • Ontkoppeld geval: $X(t)$ is een eenvoudige Brownse beweging onafhankelijk van $Y(t)$. De oplossing wordt geconstrueerd met behulp van de eigenbasis van de Fokker-Planck-operator voor $Y(t)$. De gezamenlijke kans wordt uitgedrukt als een spectrale expansie met behulp van de eigenfuncties en eigenwaarden van het verborgen proces.
   • Unidirectioneel gekoppeld geval: $X(t)$ is afhankelijk van $Y(t)$ (bijv. drift- of diffusiecoëfficiënten zijn afhankelijk van de interne staat), maar $Y(t)$ evolueert onafhankelijk van $X(t)$. In deze gevallen worden de backward vergelijkingen gekoppelde systemen van ODE's, die expliciet worden opgelost voor specifieke paradigmatische modellen.

3. Conditionele Inferentie:
   Zodra de gezamenlijke waarschijnlijkheden zijn berekend, wordt de conditionele splitsingskans afgeleid via de regel van Bayes:
   $$\Pi(y_{exit}|x_{exit}; x_0, y_0) = \frac{\Pi(x_{exit}, y_{exit}|x_0, y_0)}{P(x_{exit}|x_0, y_0)}$$
   waarbij de noemer de marginale splitsingskans van de observeerbare $X$ is.

Belangrijkste Resultaten

1. Ontkoppelde Verborgen Staten (Brownse Beweging + Interne Staat)
Voor processen waarbij $X(t)$ een Brownse beweging is en $Y(t)$ een ontkoppelde interne staat (discreet of continu) is, leiden de auteurs generieke uitdrukkingen voor de gezamenlijke splitsingskans af in termen van het eigensysteem van de $Y$-dynamica.

• Ripening-Spoiling Proces: Een discreet driestatenmodel (Onrijp $\to$ Ripe $\to$ Verrot) wordt geanalyseerd. De gezamenlijke kans om in een specifieke staat te exiten (bijv. "Ripe") vertoont een niet-monotoon verband met de initiële positie $x_0$. Dit komt doordat alleen trajecten met specifieke duurders (die toestaan over te gaan naar "Ripe" maar nog niet naar "Verrot") bijdragen aan de exit-kans in die staat.
• Ornstein-Uhlenbeck (OU) Proces: Voor een continue Gaussische verborgen staat wordt de gezamenlijke kans uitgedrukt als een oneindige reeks Hermite-polynomen.
• Inferentie-limiet: In het ontkoppelde geval demonstreren de auteurs dat inferentie van de verborgen staat vanuit een enkele exit-gebeurtenis alleen mogelijk is in het transiënte regime (niet-stationaire begincondities). In het limiet van grote intervallen ($L \to \infty$) of verdwijnende diffusie ($D \to 0$), fragmenteert de gezamenlijke kans in het product van de marginale splitsingskans en de stationaire verdeling van $Y$. Bij consequentie convergeert de conditionele kans naar de prior, waardoor inferentie onmogelijk wordt voor stationaire initialisaties.

2. Unidirectioneel Gekoppelde Verborgen Staten
Voor systemen waarbij de observeerbare dynamica afhankelijk is van de verborgen staat, blijft inferentie mogelijk, zelfs voor stationaire initialisaties. De auteurs bieden expliciete afleidingen voor drie gevallen:

• Run-and-Tumble (RnT) Dynamica: Een deeltje met een zelf-propulsie staat $Y \in \{-1, 1\}$ die switcht met snelheid $\alpha$. De auteurs lossen de gekoppelde backward vergelijkingen op om de gezamenlijke splitsingskansen te vinden. Ze tonen aan dat de posterieure waarschijnlijkheid van de richting van het deeltje (links- versus rechts-beweger) bij de exit aanzienlijk afwijkt van de prior (1/2). Deze afwijking neemt toe met het Péclet-getal ($Pe = \nu^2/\alpha D$), wat aangeeft dat persistentie een betrouwbare inferentie van de interne staat mogelijk maakt, zelfs in het limiet van grote intervallen.
• Intermitterend stuksgewijs-lineair potentiaal: Een deeltje onderhevig aan een potentiaal die stochastisch "aan" of "uit" schakelt. De gezamenlijke waarschijnlijkheden worden opgelost door het domein te splitsen bij de apex van de potentiaal. De resultaten laten zien dat de conditionele kans dat de potentiaal "aan" of "uit" is bij de exit, niet-monotoon afhankelijk is van de locatie van de apex en de barrièrehoogte.
• Stochastisch Resetten: Een deeltje dat een Brownse beweging ondergaat met stochastisch resetten naar een positie $x_r$. De verborgen staat wordt gedefinieerd als het aantal reset-events $n$. De auteurs leiden de gezamenlijke waarschijnlijkheid af van het exiten na exact $n$ resets. Ze stellen vast dat hoewel het meest waarschijnlijke aantal resets nul is (vanwege het geheugenloze karakter van het Poisson-proces), het gemiddelde aantal resets geconditioneerd op een specifieke exit-grens niet triviaal is en afhangt van de reset-snelheid en de intervalgrootte.

Significantie en Claims
Het artikel claimt twee primaire bijdragen:

1. Analytisch Raamwerk: Het biedt een algemene methode om gezamenlijke splitsingskansen te berekenen voor twee-dimensionale Markov-processen, uitgedrukt ofwel via spectrale decompositie (voor ontkoppelde systemen) of via expliciete oplossingen van gekoppelde ODE's (voor unidirectioneel gekoppelde systemen).
2. Inferentie-schema: Het vestigt een "eenvoudig schema" voor de partiële Bayesiaanse inferentie van verborgen interne staten op basis van louter de puntwijze detectie van exit-gebeurtenissen.

De auteurs benadrukken een cruciaal onderscheid tussen de twee klassen van processen:

• In ontkoppelde systemen is inferentie beperkt tot transiënte dynamica; zodra de verborgen staat naar zijn stationaire toestand is gerelaxeerd, bieden exit-gebeurtenissen geen informatie meer over de verborgen staat.
• In unidirectioneel gekoppelde systemen (veelvoorkomend in modellen van actieve materie), behoudt de koppeling informatie over de verborgen staat in de exit-statistieken, wat inferentie mogelijk maakt, zelfs in het langetermijnlimiet ($L \to \infty$).

Het werk suggereert dat dit op de grens gebaseerde inferentie-schema kan worden toegepast op de controle van gedreven stochastische processen, zoals het optimaliseren van vermogensextractie uit actieve deeltjes, door de correlatie tussen exit-punten en verborgen staten te benutten. De auteurs merken op dat hoewel zij zich hebben gericht op discrete verborgen staten in de gekoppelde gevallen, het uitbreiden van deze resultaten naar continue verborgen staten (bijv. actieve Ornstein-Uhlenbeck processen) een openstaande uitdaging blijft.