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

Resumo Técnico: Resolvendo a Equação de Fokker-Planck de Modelos de Dean-Kawasaki Discretizados com Tensor Hierárquico Funcional

Enunciado do Problema
O artigo aborda o desafio de resolver a equação de Fokker-Planck (FPE) dependente do tempo associada ao modelo de Dean-Kawasaki (DK), uma equação diferencial parcial estocástica (SPDE) que descreve as flutuações de densidade de partículas interagentes. Embora o modelo DK seja fundamental para a física estatística fora do equilíbrio, hidrodinâmica flutuante e modelagem baseada em agentes, resolver numericamente sua FPE associada é computacionalmente proibitivo. A dificuldade primária surge da alta dimensionalidade do espaço de estados: após a discretização espacial em $d$ células de grade, o estado é um vetor de densidades de partículas restrito a um simplex de probabilidade de $(d-1)$ dimensões (onde as entradas são não negativas e somam unidade). Métodos tradicionais baseados em grade para a FPE sofrem com a maldição da dimensionalidade, e técnicas padrão de estimativa de densidade têm dificuldade com a restrição do simplex e com as fortes correlações espaciais inerentes ao modelo DK.

Metodologia
Os autores propõem um fluxo de trabalho baseado em partículas que aproxima a lei dependente do tempo do modelo DK discretizado através de estimativa de densidade, utilizando um tensor hierárquico funcional sobre uma base de wavelet (FHT-W). A metodologia procede através de quatro estágios distintos:

1. Discretização Espacial e Temporal:
   A SPDE contínua de Dean-Kawasaki é discretizada usando um esquema de volume finito em um domínio periódico. Isso transforma a SPDE em um sistema de equações diferenciais estocásticas (SDEs) que governam as densidades médias de célula $\Pi(t)$. A discretização utiliza um esquema de Roe para fluxos determinísticos (envolvendo potenciais externos e de pares) e uma formulação de fluxo estocástico específica (baseada em [32]) que garante estabilidade numérica e preserva a positividade. As SDEs resultantes são simuladas via trajetórias de Monte Carlo para gerar uma coleção de caminhos amostrais.

2. Transformação de Coordenadas (Do Simplex para o Espaço Euclidiano):
   Para aplicar a estimativa de densidade por redes de tensores padrão, os autores mapeiam o estado do simplex de probabilidade $\Delta$ para um espaço euclidiano não restrito. Isso é alcançado via uma transformação de dois passos:

• Transformação de Razão Logarítmica Centrada (CLR): O vetor de densidade $\pi$ é mapeado para $s$ via $s_i = \log(\pi_i) - \frac{1}{d}\sum_j \log(\pi_j)$. Isso mapeia o interior do simplex para um hiperplano em $\mathbb{R}^d$ onde $\sum s_i = 0$, removendo efetivamente a restrição do simplex.
• Transformação de Wavelet: As coordenadas $s$ são transformadas adicionalmente em coeficientes de wavelet $c$ usando uma transformada de wavelet discreta (DWT). Este passo explora a estrutura multiescala do modelo de rede. Como células de grade adjacentes no modelo DK são fortemente correlacionadas devido à difusão, a transformada de wavelet decorrelaciona as variáveis através das escalas, reduzindo significamente o rank numérico da distribuição de probabilidade resultante $P_c(c, t)$.

3. Ansatz de Tensor Hierárquico Funcional (FHT-W):
   A densidade de probabilidade no espaço de coordenadas de wavelet é aproximada usando uma rede de tensor hierárquico funcional (FHT). Especificamente, os autores utilizam a variante FHT-W, que é uma rede de tensor de árvore Hierarchical Tucker (HT) onde as folhas correspondem aos coeficientes de wavelet.

• A estrutura de árvore espelha a decomposição diedrica da transformada de wavelet.
• A densidade é representada como uma expansão sobre uma base univariada fixa (polinômios de Legendre) com coeficientes organizados em um formato de tensor de baixo rank.
• Esta representação permite que a complexidade de armazenamento escale linearmente com a dimensão $d$ em vez de exponencialmente, desde que os ranks hierárquicos permaneçam baixos.

4. Estimativa de Observáveis via Interpolação:
   Para computar observáveis físicos (ex: entropia) a partir da densidade aprendida, os autores propõem um esquema de interpolação. Uma vez que observáveis definidos no espaço $\pi$ original tornam-se funções complexas no espaço de wavelet $c$, eles são comprimidos no formato FHT-W usando um método de cross-interpolação. Isso envolve resolver equações lineares estruturadas derivadas de avaliações pontuais da função observável, permit que a contração com o tensor de densidade seja eficiente.

Principais Contribuições

• Um Framework Computacional Abrangente: O artigo fornece um pipeline completo para estudar o modelo DK, preenchendo a lacuna entre simulação de partículas estocásticas e resolução de PDEs de alta dimensão via estimativa de densidade.
• Tratamento de Restrições de Simplex: A introdução da transformação de razão logarítmica centrada combinada com coordenadas de wavelet permite a aplicação de métodos de redes de tensores a problemas de simplex de probabilidade, um domínio onde redes de tensores euclidianas padrão falham.
• Escalabilidade para Altas Dimensões: O método lida com sucesso com sistemas de $d=64$ graus de liberdade (casos 1D e 2D), uma dimensionalidade que é tipicamente intratável para solvers diretos de FPE ou estimativa de densidade ingênua.
• Integração de Potenciais e Interações: O framework acomoda tanto potenciais externos ($V_1$) quanto potenciais de interação de pares ($V_2$), capturando complexas correlações de sítio e efeitos de interação.

Resultos
Experimentos numéricos em 1D e 2D demonstram que a abordagem FHT-W captura com precisão a evolução temporal da lei de probabilidade.

• Precisão: O método reproduz correlações de sítio e outros observáveis estatísticos do modelo real com alta fidelidade.
• Estabilidade: O fluxo de trabalho permanece estável sob a suposição de "difusão forte", com técnicas de clamping aplicadas aos termos de ruído para evitar explosões em eventos raros.
• Eficiência: Ao utilizar a transformada de wavelet para reduzir o rank efetivo da distribuição, o método alcança resultados precisos para $d=64$ com ranks de tensor gerenciáveis (ex: dimensão de ligação $r=20$), evitando os custos de armazenamento exponenciais associados a representações de tensores completos.

Significância e Alegações
Os autores posicionam este trabalho não como uma nova arquitetura de rede de tensores em si, mas como uma aplicação robusta de redes de tensores baseadas em árvores existentes (especificamente o formato HT) a uma classe desafiadora de SPDEs. A principal contribuição é a formulação de um framework prático e escalável para o modelo DK. O artigo afirma que esta abordagem oferece uma alternativa viável aos métodos de partículas tradicionais para o estudo das propriedades estatísticas da hidrodinâmica flutuante, particularmente em regimes onde entender a distribuição de probabilidade completa (em vez de apenas caminhos amostrais) é necessário. O trabalho destaca que a combinação de transformações geométricas (razão logarítmica e wavelet) com compressão de redes de tensores é essencial para superar as barreiras de dimensionalidade inerentes aos sistemas de partículas interagentes discretizados.