Случайные процессы

Стохастические уравнения в частных производных

Цели урока

  • Построить мягкое решение SPDE теплопроводности через интеграл Уолша
  • Объяснить пониженную регулярность решения (1/4 по t, 1/2 по x)
  • Вывести уравнение Захаи для задачи нелинейной фильтрации
  • Связать SPDE с нейронными решателями (FNO, PINN)

Предварительные знания

  • Стохастическое управление
  • Интеграл Ито
  • Уравнения теплопроводности
  • Стохастическое управление
  • Броуновское движение и интеграл Ито

Tesla FSD объединяет данные с 8 камер, радара и ультразвука каждые 10 мс. Как? Фильтр Калмана - это уравнение Захаи для линейного случая. Весь sensor fusion - решение SPDE в реальном времени.

  • Tesla FSD: уравнение Захаи как основа нелинейного sensor fusion
  • NVIDIA Modulus: нейросетевые решатели турбулентных SPDE
  • FNO (Fourier Neural Operator): operator learning для параметрических SPDE
  • Финансовая инженерия: SPDE для моделирования процентных ставок (Heath-Jarrow-Morton)

Уолш, Захаи и рождение SPDE

Джон Уолш определил стохастический интеграл по пространственно-временному броуновскому листу в 1984 году, открыв строгую теорию SPDE. Мошехе Захаи вывел своё уравнение для нелинейной фильтрации в 1969 году, обобщив фильтр Калмана-Буси. Дайнус Нуаларт и другие систематически изучили регулярность решений в 1990-2000-х. Современное применение: Анима Анандкумар (NVIDIA) и Зонгьи Ли разработали FNO в 2020 году - нейросети для решения SPDE на больших сетках за секунды.

SPDE и уравнение стохастической теплопроводности

NVIDIA Modulus, 2024. Нейронный симулятор турбулентности ускоряет CFD-расчёты в 100 раз. Под капотом - SPDE для пространственно-временных случайных полей. Стохастическое уравнение теплопроводности описывает диффузию при случайном источнике - это каноническая модель пространственного шума.

В размерности d >= 2 белый шум в пространстве-времени слишком груб: u не имеет даже L^2-регулярности поточечно. Для d >= 2 необходимо сглаживание шума (colored noise) или использование обобщённых решений.

Почему мягкое решение SPDE теплопроводности имеет регулярность 1/4 по времени, а не 1/2 как у броуновского движения?

Белый шум dot{W}(t,x) - обобщённая функция в обоих переменных. Тепловое ядро сглаживает по пространству, давая 1/2-Гёльдер по x. По времени: без пространственной интеграции было бы 1/2, но двойная грубость даёт 1/4.

Уравнение Захаи и нелинейная фильтрация

GPS даёт координаты с ошибкой 2-3 метра. Камера - с другой ошибкой. Лидар - с третьей. Как объединить все датчики в одну оценку состояния? Это задача нелинейной фильтрации. Уравнение Захаи - её строгое математическое решение.

Фильтр Калмана как частный случай

Линейный случай уравнения Захаи

При f(x) = Ax (линейная динамика) и h(x) = Cx (линейное наблюдение), начальное распределение гауссово: X_0 ~ N(m_0, P_0). Тогда pi_t = N(m_t, P_t) - гауссово для всех t. Уравнение Захаи сводится к уравнениям Калмана-Буси: dm_t = A m_t dt + P_t C^T (dY_t - C m_t dt), dP_t/dt = AP_t + P_t A^T + Q - P_t C^T R^{-1} C P_t. Это Riccati снова.

Particle filter (последовательный метод Монте-Карло) - численное решение уравнения Захаи через взвешенный набор частиц. Используется в Tesla FSD для sensor fusion: GPS + IMU + камера + лидар.

Чем уравнение Захаи отличается от обычного уравнения Колмогорова-Фоккера-Планка?

Фоккер-Планк: dt p(t,x) = L* p(t,x) - детерминированное PDE для безусловной плотности. Захаи: d sigma_t(phi) = sigma_t(L phi) dt + sigma_t(h phi) dY_t - SPDE с dY_t, потому что включает наблюдения.

Регулярность решений и численные методы

Нейронные PDE-решатели (Physics-Informed Neural Networks, FNO) обрабатывают SPDE через случайные реализации. Fourier Neural Operator от Анимы Анандкумар решает параметрические SPDE за миллисекунды вместо часов FEM. Ключевой вопрос: какую регулярность нужно аппроксимировать?

FNO (Fourier Neural Operator) обучается на паре (начальное условие, шум) -> решение SPDE. Обобщение на новые реализации шума - автоматически. Это operator learning: FNO аппроксимирует отображение из пространства функций в пространство функций, а не фиксированное решение.

Для SPDE в пространстве-времени вместо FDM используют spectral методы: разложение по собственным функциям оператора L даёт явные формулы для дисперсии каждой моды. Это эффективно для линейных SPDE.

FNO учится аппроксимировать решение SPDE. Что FNO аппроксимирует - функцию или оператор?

FNO аппроксимирует оператор G: (u_0, W) -> u(T,*). Обобщение достигается через обучение на множестве пар (реализация шума, решение). Для новых реализаций FNO даёт решение за миллисекунды.

Связи с другими разделами

SPDE объединяет функциональный анализ, стохастическое исчисление и численные методы

  • Нелинейная фильтрация — Связанная тема
  • Нейронные PDE-решатели — Связанная тема
  • Теория грубых путей — Связанная тема
  • Финансовые модели — Связанная тема

Итоги

  • SPDE теплопроводности: мягкое решение через интеграл Уолша, регулярность 1/4 по t и 1/2 по x
  • Рост дисперсии ~ sqrt(t), медленнее чем у ODE с шумом - тепловая диссипация сдерживает шум
  • Уравнение Захаи: SPDE для ненормированного условного распределения при наблюдениях
  • Линейный случай Захаи = уравнения Калмана-Буси; нелинейный - particle filter

Вопросы для размышления

  • Почему белый шум в размерности d >= 2 не позволяет иметь точечные значения решения SPDE?
  • Как уравнение Захаи обобщается на случай, когда наблюдения тоже нелинейны по шуму?
  • Что принципиально отличает FNO от PINN при решении параметрических SPDE?

Связанные уроки

  • sp-25-stochastic-control — Уравнение Захаи - SPDE из нелинейной фильтрации
  • sp-20 — Интеграл Уолша обобщает интеграл Ито на пространство-время
  • sp-27 — Теория грубых путей обобщает SPDE на нерегулярный шум
  • sp-24-levy-processes — SPDE с Леви-шумом - естественное обобщение
Стохастические уравнения в частных производных

0

1

Войти