《Communications in Nonlinear Science and Numerical Simulation》:Long-time dynamics and finite-dimensional approximation of McKean-Vlasov stochastic neural field lattice models
编辑推荐:
本文研究了定义在Zd上的McKean-Vlasov随机神经网络格点模型在小噪声扰动下的极限行为。首先,通过不动点论证建立了该系统的适定性,从而生成了一个在具有有限四阶矩的概率测度空间的有界子集上连续的非自治动力系统。通过推导
本文研究了定义在Zd上的McKean-Vlasov随机神经网络格点模型在小噪声扰动下的极限行为。首先,通过不动点论证建立了该系统的适定性,从而生成了一个在具有有限四阶矩的概率测度空间的有界子集上连续的非自治动力系统。通过推导解的一致拉回估计和尾部估计,证明了该系统拉回吸收集的存在性以及拉回渐进紧性,进而证明了P4(?2)中测度吸引子的存在唯一性。此外,在附加条件下证明了测度吸引子为单点集,并建立了其关于噪声强度的上半连续性。最后,研究了测度吸引子的有限维逼近,为数值逼近提供了理论基础。为此,首先考虑了该神经网络模型与其每个神经元仅与其n-邻域内神经元相互作用的对应模型之间测度吸引子的收敛性。进一步研究了n-邻域系统与其有限维截断系统之间测度吸引子的收敛性。
该研究围绕McKean-Vlasov随机神经网络格点模型的全局适定性与长期动力学行为展开,旨在解决分布依赖型随机微分方程在无限维格点系统中的测度吸引子理论问题。研究背景源于格点动力系统在物理学、生物学、工程学和化学等领域的广泛应用,包括模式识别、神经脉冲传播和化学反应理论等。神经网络格点模型作为一类重要的格点系统,在过去几十年间受到广泛关注,其中Hopfield神经网络模型自1982年提出以来,在联想记忆、图像处理、优化问题和模式识别等领域具有重要应用。近年来,神经网络格点模型的研究涵盖行波解、全局吸引子与随机吸引子、不变测度、数值不变测度、解的积分输入状态稳定性和弱平均吸引子等多个方面。
McKean-Vlasov随机微分方程(MVSDEs)作为描述相互作用粒子系统的重要工具,其研究始于20世纪60年代,通过施加粒子密度的依赖性来刻画系统行为。已有大量文献研究了MVSDEs的适定性、遍历性、大偏差和中等偏差原理、系数不规则情形下的逼近问题、Onsager-Machlup作用泛函以及多尺度McKean-Vlasov方程的扩散逼近等。随机吸引子的研究因能有效刻画无限维随机系统的长期动力学行为而备受关注,测度吸引子的概念被引入用于研究加性噪声驱动的自治随机Navier-Stokes方程,后续研究进一步拓展到乘性噪声情形及多种非自治随机系统。然而,已有文献中的随机方程系数多不依赖于解的分布。对于分布依赖的随机微分方程,测度吸引子的研究近年来取得进展,包括Brown运动驱动的McKean-Vlasov随机反应扩散方程、McKean-Vlasov随机时滞格点系统、McKean-Vlasov随机FitzHugh-Nagumo系统以及超线性Lévy噪声驱动的McKean-Vlasov随机格点系统等。本研究首次针对具有分布依赖系数的随机神经网络格点模型研究测度吸引子问题。
该研究面临的核心技术挑战在于:由于方程的分布依赖性,Feller性质无法直接用于证明动力系统在概率测度空间上的连续性;同时,在无限维空间上证明拉回渐进紧性类似于无界区域上随机偏微分方程的情形,Sobolev嵌入不再紧致。研究人员通过建立解的一致尾部估计来克服这一困难,结合拉回吸收集的存在性,最终获得测度吸引子的存在唯一性。
在主要研究内容方面,研究人员首先建立了非线性漂移项和扩散项的假设条件,证明了系统的适定性并推导了解的一致矩估计。具体而言,假设漂移项中的衰减函数
fi:
R×
P2(?
2)→
R为连续可微函数,描述第i个节点的神经活动衰减;连接强度
ki,j描述从第j个节点到第i个节点的连接强度;激活函数
φj:
R×
P2(?
2)→
R定义给定输入下节点的输出;状态依赖的非线性扩散项为
λi;外部强迫项
gi(t)和
hi(t)分别为漂移和扩散部分的外部输入;{
Wi(t)}
i∈Zd为完备滤过概率空间上的独立双边实值Wiener过程序列。在这些假设下,通过不动点论证证明了系统生成一个非自治动力系统,其解在
P4(?
2)上连续。
关于测度吸引子的存在性与唯一性,研究人员推导了解的一致拉回估计和尾部估计。尾部估计的关键在于证明当空间指标|i|充分大时,解的能量在尾部区域一致小,这克服了无限维空间缺乏紧性的困难。基于这些估计,证明了拉回吸收集的存在性以及动力系统在
P4(?
2)上的拉回渐进紧性,从而建立了测度吸引子的存在唯一性。在附加的耗散性条件下,进一步证明了测度吸引子为单点集,即系统存在唯一的拉回测度吸引子。
在噪声强度的稳定性分析方面,当噪声强度
ε→0时,系统退化为确定性格点方程。研究人员证明了解在噪声强度趋于零时的收敛性,并建立了测度吸引子关于噪声强度的上半连续性。这一结果反映了小噪声扰动下测度吸引子的稳定性,即噪声强度较小时,随机系统的测度吸引子与确定性系统的吸引子充分接近。
有限维逼近是该研究的另一核心内容。研究人员考虑了两个层次的逼近:首先是邻域参数n→∞时的逼近,即每个神经元仅与其n-邻域内神经元相互作用的系统与原系统之间的测度吸引子收敛性;其次是节点数N→∞时的有限维截断逼近。对于第一个层次,建立了两个系统解之间的矩收敛性,进而在Hausdorff半距离意义下证明了测度吸引子的收敛性。对于第二个层次,将系统截断到有限节点集
ZdN = {(i
1,...,i
d) | i
1,...,i
d ∈ {-N,...,0,...,N-1,N}}上,建立了截断系统解与原n-邻域系统解之间的矩收敛性,并证明了相应测度吸引子在Hausdorff半距离下的收敛性。综合两个层次的逼近结果,原始神经网络格点模型的测度吸引子可以通过有限维系统的测度吸引子来逼近,这为数值计算提供了严格的理论基础。
该研究的主要结论和意义在于:建立了McKean-Vlasov随机神经网络格点模型在
P4(?
2)空间上测度吸引子的存在唯一性理论框架,填补了分布依赖型随机神经网络模型长期动力学研究的空白;通过一致尾部估计方法克服了无限维空间紧性缺失的困难,为类似问题提供了可借鉴的技术路线;证明了测度吸引子关于噪声强度的上半连续性,揭示了小噪声情形下随机吸引子的稳定性态;系统建立了测度吸引子的有限维逼近理论,包括邻域截断逼近和节点截断逼近两个层面,为实际数值模拟和计算提供了理论保证。这些结果深化了对具有平均场效应的随机神经网络系统长期行为的理解,在神经计算和复杂网络分析等领域具有潜在应用价值。