Kernel Methods for Stochastic Dynamical Systems with Application to Koopman Eigenfunctions: Feynman-Kac Representations and RKHS Approximation

Resumo Técnico: Métodos de Kernel para Sistemas Dinâmicos Estocásticos e Autovalores de Koopman

1. Problema e Motivação

O artigo aborda a extensão de um quadro unificado de métodos de kernel, anteriormente desenvolvido para sistemas dinâmicos determinísticos, para Equações Diferenciais Estocásticas (SDEs).

• Contexto: A teoria do Operador de Koopman oferece uma perspectiva linear para analisar sistemas não lineares, focando na evolução de observáveis. O objetivo central é encontrar as auto-funções deste operador, que revelam a estrutura modal intrínseca, fronteiras de estabilidade e variedades invariantes.
• Desafio: Em sistemas determinísticos, a equação de Koopman é uma EDP hiperbólica de primeira ordem (equação de transporte), resolvida via método das características. Em sistemas estocásticos (SDEs), o gerador de Koopman inclui um termo de difusão de segunda ordem, transformando a equação em uma EDP elíptica-parabólica de segunda ordem. Isso invalida o método das características clássico e exige novas representações probabilísticas.
• Necessidade: Desenvolver uma estrutura teórica e computacional robusta para calcular auto-funções de Koopman em presença de ruído, garantindo estabilidade numérica e precisão.

2. Metodologia

Os autores propõem uma extensão unificada baseada em Espaços de Hilbert de Kernel Reprodutor (RKHS) e na Fórmula de Feynman-Kac.

• Formulação do Problema:
  Considera-se uma SDE de Itô: $dX_t = G(X_t)dt + \sigma(X_t)dW_t$. O gerador de Koopman é dado por:
  $$\mathcal{K}g(x) = G(x) \cdot \nabla g(x) + \frac{1}{2}\text{Tr}[a(x)\nabla^2 g(x)]$$
  onde $a(x) = \sigma(x)\sigma(x)^\top$. A equação de autovalor $\mathcal{K}\phi = \lambda\phi$ torna-se uma EDP elíptica-parabólica.

• Três Construções de Kernel Equivalentes:
  O artigo estende três abordagens distintas para o caso estocástico e prova sua equivalência sob condições de elipticidade uniforme:

  1. Princípio Variacional (Tipo Lions): Define um espaço de Hilbert com uma norma de gráfico que incorpora o operador estocástico de segunda ordem. O kernel é o representante de Riesz da avaliação pontual neste espaço.
  2. Função de Green via Feynman-Kac: Substitui a função de Green determinística por uma representação probabilística. O kernel é construído como a integral temporal da densidade de transição da SDE, ponderada por um fator de desconto $e^{-\lambda t}$.
  3. Kernel Resolvente Estocástico: Define o kernel como a transformada de Laplace do semigrupo de Koopman, interpretado como o tempo local esperado descontado ao longo das trajetórias estocásticas.

• Métodos Computacionais:

  • Método de Colocação: Aproxima a solução não linear como uma combinação linear de kernels. Deriva fórmulas explícitas para as matrizes de deriva e difusão, exigindo derivadas de segunda ordem do kernel (ex: RBF Gaussiano).
  • Aproximação Monte Carlo: Utiliza a fórmula de Feynman-Kac para estimar a solução em pontos de colocação quando soluções fechadas não estão disponíveis, separando o erro de amostragem do erro de aproximação do RKHS.
  • Regularização Elíptica: Demonstra que o termo de difusão atua como um regularizador elíptico, melhorando o condicionamento do sistema linear resultante.

3. Principais Contribuições

1. Generalização Teórica: Extensão bem-sucedida das três construções de kernel (variacional, Green, resolvente) de sistemas determinísticos para SDEs, utilizando a fórmula de Feynman-Kac como ponte fundamental.
2. Teorema de Equivalência: Prova rigorosa de que, sob suposições de elipticidade uniforme e regularidade adequada, os três kernels estocásticos são idênticos ($k_{var} = k_{FK} = k_{res}$).
3. Análise de Erro: Decomposição clara do erro total em duas partes:
   • Erro de aproximação do RKHS (dependente da suavidade do kernel e densidade dos pontos).
   • Erro de amostragem Monte Carlo (decaindo como $O(K^{-1/2})$).
4. Impacto da Difusão no Condicionamento: Demonstração teórica e empírica de que a adição de difusão moderada melhora significativamente o número de condicionamento do sistema linear, devido ao deslocamento negativo dos autovalores na diagonal da matriz de difusão (regularização elíptica).
5. Extensão Hipoelíptica: Discussão sobre a aplicação a sistemas com difusão degenerada (ex: dinâmica de Langevin subamortecida) que satisfazem a condição de Hörmander, adaptando a regularidade para espaços de Sobolev subelípticos.

4. Resultados Numéricos

Os autores validaram a metodologia em três cenários:

• Processo de Ornstein-Uhlenbeck (1D): Recuperação exata (precisão de máquina) da auto-função linear, confirmando a estabilidade do método.
• Não-linearidade Quadrática (1D): Estudo de um SDE com termo quadrático. Os resultados mostraram que, ao aumentar a intensidade do ruído ($\sigma$):
  • O número de condicionamento da matriz do sistema diminuiu drasticamente (ex: de $3.79 \times 10^6$ para $1.03 \times 10^6$).
  • O erro de resíduo da EDP e o erro do semigrupo permaneceram baixos, indicando que a regularização não comprometeu a precisão da solução.
• Sistema Linear 2D: Validação em dimensões superiores, com recuperação exata de auto-funções e verificação da propriedade do semigrupo com erro inferior a 5%.

5. Significado e Impacto

Este trabalho é significativo por várias razões:

• Unificação: Conecta métodos de aprendizado de máquina baseados em kernel, teoria de operadores de Koopman e análise estocástica (Feynman-Kac) em um único framework coerente.
• Estabilidade Numérica: Oferece uma solução prática para o problema de má-condicionamento comum em métodos de decomposição de modos dinâmicos (como EDMD) para sistemas com baixa difusão ou puramente determinísticos. A "difusão moderada" atua como uma ferramenta de regularização.
• Aplicabilidade: O framework é diretamente aplicável a problemas complexos em dinâmica molecular (estados metaestáveis), finanças (modelos de volatilidade estocástica) e controle estocástico.
• Fundamentação Teórica: Fornece limites de erro rigorosos que separam a incerteza da modelagem (RKHS) da incerteza estatística (Monte Carlo), permitindo alocação ótima de recursos computacionais.

Em resumo, o artigo estabelece que a introdução de ruído, longe de ser apenas um obstáculo, pode ser explorada matematicamente para estabilizar a computação de auto-funções de Koopman, abrindo caminho para análises mais robustas de sistemas dinâmicos complexos e ruidosos.