Adaptive Time-Stepping Euler--Maruyama Scheme for SDEs with Non-Globally Lipschitz Coefficients: Uniform Convergence, Stability and Ergodicity

Resumo Técnico: Esquema Euler–Maruyama de Passo de Tempo Adaptativo para EDEs com Coeficientes Não Globalmente Lipschitz

Enunciado do Problema
O artigo aborda a aproximação numérica de equações diferenciais estocásticas (EDEs) onde os coeficientes de drift e difusão são localmente Lipschitz, mas não globalmente Lipschitz. Tais equações surgem frequentemente em aplicações como física estatística (ex: a equação de Langevin superamortecida) e aprendizado de máquina, onde o objetivo é frequentemente amostrar de uma distribuição de probabilidade alvo (a medida invariante).

Métodos explícitos padrão, como o esquema Euler–Maruyama (EM), frequentemente falham para esses sistemas. Especificamente, esquemas EM explícitos podem exibir instabilidade numérica (explosões) ou falhar em preservar as propriedades ergódicas da dinâmica contínua subjacente, mesmo quando a solução exata é exponencialmente ergódica. Embora métodos de passo de tempo adaptativo tenham sido propostos para mitigar a instabilidade ajustando o tamanho do passo com base no estado atual, os resultados teóricos existentes para EDEs com coeficientes totalmente localmente Lipschitz permanecem escassos. Lacunas principais incluem a falta de análise de convergência forte uniforme no tempo, compreensão limitada da estabilidade exponencial de momentos em configurações adaptativas e questões não resolvidas sobre a preservação da ergodicidade e a taxa de convergência da medida invariante numérica.

Metodologia
Os autores propõem um esquema Euler–Maruyama (EM) de passo de tempo adaptativo em tempo contínuo. O mecanismo central envolve uma função de passo de tempo $\delta(x)$ ajustada dinamicamente, que é contínua e estritamente positiva. Esta função é projetada para satisfazer condições de crescimento específicas em relação aos coeficientes de drift $f(x)$ e difusão $g(x)$ para evitar explosões numéricas.

Componentes metodológicos principais incluem:

1. Construção do Passo de Tempo Adaptativo: O tamanho do passo $\delta_n$ na iteração $n$ é determinado pelo estado $Y_{t_n}$. A função $\delta(\cdot)$ é escolhida de tal forma que $|f(x)|(\delta(x))^\gamma \leq 1 + |x|$ e $|g(x)|^2(\delta(x))^\gamma \leq (1+|x|)^2$ para algum $\gamma \in (0, 1/3]$.
2. Esquema Auxiliar K-Scheme: Para provar que o tempo terminal $T$ é quase certamente alcançável (ou seja, que a simulação não fica presa em passos infinitos antes de atingir $T$) e para estabelecer limites de momento, os autores empregam um esquema truncado auxiliar (o "K-scheme") introduzido por Fang e Giles. Este envolve truncar a solução em um raio $K$ e analisar o limite conforme $K \to \infty$.
3. Interpolação em Tempo Contínuo: A solução numérica discreta é estendida para o tempo contínuo via interpolações linear por partes e constante por partes ($\hat{Y}(t)$ e $Y(t)$) para facilitar a aplicação da fórmula de Itô e técnicas de martingala.
4. Análise de Estabilidade e Ergodicidade: A análise utiliza funções de Lyapunov, o teorema da parada opcional e o teorema de Harris para cadeias de Markov. Especificamente, os autores estabelecem que a solução numérica forma uma cadeia de Markov homogênea no tempo, irredutível e aperiódica.

Principais Contribuições e Resultados

1. Alcançabilidade e Limitação de Momento:

   • O artigo prova que o tempo terminal $T > 0$ é quase certamente alcançável, garantindo que a iteração adaptativa atinja $T$ em um número finito de passos.
   • A limitação de momento da solução numérica é estabelecida tanto para intervalos de tempo finito quanto uniformemente no tempo, desde que os coeficientes satisfaçam condições específicas de crescimento polinomial e coercividade.

2. Convergência Forte:

   • Tempo Finito: O esquema alcança uma taxa de convergência forte de ordem $1/2$ em intervalos de tempo finitos.
   • Uniforme no Tempo: Sob suposições ligeiramente fortalecidas (especificamente em relação à condição Lipschitz de um lado e ao crescimento dos coeficientes), o artigo estabelece uma taxa de convergência forte uniforme no tempo de ordem $1/2$. Este resultado mantém-se sem impor um tamanho de passo mínimo positivo uniforme.
   • Para EDEs com ruído aditivo, uma taxa de convergência forte de primeira ordem é alcançável sob suposições mais fortes sobre o drift.

3. Preservação de Estabilidade:

   • O esquema adaptativo é mostrado para herdar fielmente a estabilidade exponencial de $p$-ésimo momento da solução exata. Isso preenche uma lacuna teórica, visto que a estabilidade exponencial de momento em configurações adaptativas raramente havia sido investigada anteriormente.

4. Ergodicidade e Convergência da Medida Invariante:

   • A solução numérica é provada ser ergódica, possuindo uma medida de probabilidade invariante única.
   • O artigo estabelece a ergodicidade polinomial para o esquema numérico.
   • Crucialmente, os autores derivam uma taxa de convergência de $1/2$ na distância de Wasserstein $L_q$ entre a medida invariante numérica e a medida invariante exata da EDE subjacente. Isso confirma que o esquema aproxima com precisão a distribuição alvo no limite de longo prazo.

5. Validação Numérica:

   • Experimentos numéricos em EDEs rígidas (stiff), EDEs não-rígidas (Ginzburg-Landau) e sistemas de Langevin superamortecidos de alta dimensão (incluindo exemplos de inferência Bayesiana) validam os resultados teóricos.
   • Comparações com esquemas de passo fixo (backward EM, tamed EM, truncated EM) e métodos adaptativos existentes (LMS, método de Lemaire) demonstram que o esquema proposto alcança precisão e eficiência computacional superiores (menor tempo de CPU para erro comparável).

Significância
O artigo afirma preencher lacunas críticas na análise numérica de EDEs com coeficientes não globalmente Lipschitz. Ao desenvolver um esquema adaptativo explícito que garante convergência forte uniforme no tempo e preserva tanto a estabilidade exponencial de momento quanto a ergodicidade, o trabalho fornece uma base teórica robusta para a amostragem de distribuições complexas. A derivação da taxa de convergência ótima de ordem $1/2$ para a medida invariante na distância de Wasserstein é destacada como um avanço teórico significativo, oferecendo uma ferramenta confiável para aplicações em estatística computacional, física estatística e aprendizado de máquina, onde o comportamento de longo prazo e a amostragem de distribuição são primordiais.