🔢 mathematics

Invariant measures of the stochastic theta method for stochastic differential equations with super-linearly growing coefficients

本文建立了针对具有超线性增长漂移项和扩散系数的随机微分方程，应用随机 $\theta$ 方法时数值不变测度的存在性、唯一性和收敛性，从而将以往关于后向欧拉-丸山方法及相关研究的结果扩展到了这一更广泛的问题类中。

原作者： Xiaotong Li, Wei Liu, Wenjie Xiao

发布于 2026-06-19

📖 1 分钟阅读🧠 深度阅读

原作者： Xiaotong Li, Wei Liu, Wenjie Xiao

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图预测一个混乱、多风的海洋的长期天气模式。在数学中，这个海洋由**随机微分方程（SDEs）**来表示。这些方程描述了当事物受到一种恒定力量（如风）和随机、不可预测的冲击（如突如其来的海浪）共同作用时，随时间发生的变化。

有时，这些方程会变得非常棘手。这种“风”（漂移项）和“浪”（扩散项）的增长速度可能极其快——快到被称为超线性（super-linear）。这就像是一个在山坡上滚动的雪球，它不仅体积在变大，而且随着体积的增加，增长速度也开始呈指数级加速。标准的数学工具在尝试模拟这类失控系统时往往会失效或崩溃。

本文介绍了一种名为随机 Theta 方法（Stochastic Theta Method）的特定工具，用于处理这些狂野、快速增长的系统，并寻找它们的不变测度（Invariant Measure）。

什么是“不变测度”？

想象你正在观察一个拥挤的舞池。在开始时，人们是随机散布的。随着音乐响起，人们移动、碰撞并旋转。最终，尽管个体仍在移动，但整体人群的形状停止了变化。你可能会看到靠近 DJ 的地方人群密集，而靠近出口的地方较为稀疏，这种模式会保持不变。

这种稳定的、不变的模式就是不变测度。它是系统的“稳态”或“长期平均行为”。这篇论文探讨的是：即使舞者们正以狂野、极快的方式移动，我们能否利用计算机准确地预测出最终的人群分布模式？

标准工具的问题所在

通常，数学家使用一种称为 Euler-Maruyama 方法（类似于一个简单的逐步计算器）的方法来模拟这些系统。然而，当力量呈超线性增长时（比如我们的失控雪球），这个简单的计算器往往会失效。它可能会产生巨大的数值，导致计算机崩溃，或者完全无法捕捉到真实的长期模式。

解决方案：随机 Theta 方法

作者提议使用随机 Theta 方法。把它想象成一个“聪明且谨慎的计算器”。

“Theta”旋钮： 这种方法有一个你可以调节的旋钮（称为 $\theta$ $θ$ ）。
- 如果你将它转到 0，它就像那个简单的、冒险的计算器（Euler-Maruyama）。
- 如果你将它转到 1，它就表现得像**后向欧拉（Backward Euler）**方法，这种方法非常稳定，但计算量很大。
- 作者关注的是旋钮在 0.5 到 1 之间的情况。这使得该方法具有“隐式（implicit）”特性，意味着它会预先观察下一步，以确保自己不会迈出过大的一步从而跌落悬崖。

他们证明了什么？

本文为这个“聪明计算器”提供了两个主要的保证：

存在性与唯一性： 他们证明了如果你使用这种方法，计算机模拟最终会稳定在单一且唯一的模式中（即数值不变测度）。它不会持续剧烈波动，也不会因为初始模拟位置的不同而产生不同的模式。
收敛性： 他们证明了计算机找到的模式实际上与真实数学海洋的模式非常接近。随着你减小时间步长（例如采取更小、更细致的步伐），计算机给出的答案会越来越接近真相。

“秘诀”所在

作者必须非常小心。以往的研究只能处理“浪”（扩散项）增长缓慢、即便“风”（漂移项）增长很快的情况。而这篇论文的特别之处在于，它处理了风和浪同时快速增长的情况。

为了做到这一点，他们必须开发新的数学“安全网”（使用特定的不等式和假设），以证明即使在力量处于最极端状态时，模拟也不会爆炸。他们表明，只要保持足够小的步长并正确设置“Theta”旋钮，系统就能保持稳定。

实验室中的验证

为了展示其有效性，作者在两个示例上运行了计算机模拟：

一维模型： 一个试图回到中心点、却因自身规模而受到剧烈排斥的单变量模型。模拟显示，无论他们从哪里开始“粒子”的运动，它最终都会稳定在相同的钟形曲线中。
二维模型： 两个相互作用的变量，两者都具有超快速增长。模拟显示，粒子会聚集在一个特定的、稳定的区域，证明了该方法即使在复杂的、多维的混沌中也同样有效。

总结

简而言之，这篇论文是在说：“我们有一种新的、鲁棒的方法来模拟力量呈爆炸式增长的混沌系统。我们从数学上证明了这种方法能找到正确的长期模式，且我们的计算机测试证实了它的有效性。”

他们并没有声称这能直接解决气候变化或治愈疾病；他们只是构建了一座更坚固、更可靠的数学桥梁，跨越了从混沌、快速增长的方程到其稳定长期解之间的鸿沟。

技术摘要：具有超线性增长系数的 SDE 的随机 $\theta$ 方法的不变测度

问题陈述
具有不变测度的随机微分方程（SDEs）在人口动力学和生成扩散模型等诸多领域至关重要。然而，显式形式的不变测度往往难以获得，因此需要稳健的数值近似方法。当 SDE 的系数呈现超线性增长时，会出现一个显著挑战：虽然像后向欧拉-玛拉马（Backward EM）方法这样的隐式方法已知能够处理这种增长，但对于随机 $\theta$ 方法（包括后向 EM 方法在内的类方法）在漂移项和扩散项均呈超线性增长时，其不变测度的分析此前尚未得到严格研究。以往的工作（如 Jiang 等人 [10]）解决了超线性漂移的问题，但要求扩散系数为线性增长。本文旨在填补这一空白，研究当漂移和扩散系数均呈超线性增长时的不变测度近似问题。

方法论
作者采用随机 $\theta$ 方法对 Itô 型 SDE 进行离散化：
$dX(t) = b(X(t))dt + g(X(t))dW(t)$
数值格式定义为：
$X_{k+1} = X_k + \theta b(X_{k+1})h + (1 - \theta)b(X_k)h + g(X_k)\Delta W_k$
其中 $\theta \in (1/2, 1]$ 。分析基于关于系数 $b$ 和 $g$ 的三个核心假设：

具有超线性增长的局部 Lipschitz 连续性： 系数满足具有多项式增长率 $q > 1$ 的局部 Lipschitz 条件。
单调性条件： 一侧 Lipschitz 条件，确保两个解之间稳定性。
强制性条件（Coercivity Condition）： 一种确保存在 Lyapunov 函数以限制解的矩的条件。

证明策略涉及建立两个辅助引理：

引理 3.1： 在强制性条件和特定步长约束下，证明数值解二阶矩（ $E|X_k|^2$ ）的有界性。
引理 3.2： 证明从不同初始值出发的两个数值解的指数均方收敛性，从而确立该方法的收缩性质。

这些引理随后被用于通过概率测度的紧性（tightness）以及在 $p$ -Wasserstein 距离下的收缩性，来证明数值不变测度的存在性和唯一性。最后，通过结合数值方案向其不变测度的指数收敛性与随机 $\theta$ 方法的强收敛速率，利用三角不等式推导出数值不变测向精确不变测度的收敛性。

主要结果

存在性与唯一性： 本文证明了对于具有超线性增长漂移和扩散系数的 SDE，只要步长 $h$ 足够小且 $\theta > 1/2$ ，随机 $\theta$ 方法会产生唯一的数值不变测度。
向精确测度的收敛： 数值不变测度在 $p$ -Wasserstein 距离（ $p \in (0, 1)$ ）下以 $O(h^{p/2})$ 的速率收敛于底层 SDE 的精确不变测度。
泛化性： 研究结果将 Jiang 等人 [10] 的发现（其要求线性扩散增长）扩展到了超线性扩散的情况。此外，由于后向 EM 方法对应于 $\theta=1$ ，这些结果也将 Liu 等人 [16] 关于后向 EM 方法的发现推广到了更广泛的随机 $\theta$ 方法类。

意义与主张
作者将这项工作定位为对现有文献的非平凡扩展。他们明确指出，由于当 $\theta < 1$ 时随机 $\theta$ 方法仍保留了显式部分，因此无法直接套用以往工作 [10, 16] 的技术，需要对超线性扩散项进行仔细处理。本文声称为在具有超线性系数的 SDE 的长时模拟中使用随机 $\theta$ 方法提供了严谨的理论基础，这类场景在复杂的物理和生物模型中十分常见。

数值验证
文中提供了两个数值示例以阐明理论结果：

示例 4.1： 一个具有超线性漂移（ $x^3$ ）和扩散（ $x^2$ ）的标量均值回归模型。模拟显示经验密度函数随时间趋于稳定，且无论初始值如何，其分布均变得不可区分，从而支持了不变测度的存在性和唯一性。
示例 4.2： 一个具有超线性系数的二维 SDE 系统。结果展示了该方法的长时稳定性以及样本路径在平衡区域附近的聚集现象，进一步验证了其向不变测度的收敛性。

未来方向
论文最后指出，目前的分析依赖于二阶矩，这对于漂移项中的线性项提出了负系数的要求。作者建议未来的研究可以探索使用 $p \in (0, 1)$ 的 $p$ 阶矩来放宽这些条件。此外，他们提议研究针对具有状态相关切换的 SDE 的随机 $\theta$ 方法，这可能有助于从与机器学习相关的有限混合分布中进行采样。