Irreversible drift-diffusion processes are very common in biochemical reactions. They have a non-equilibrium stationary state (invariant measure) which does not satisfy detailed balance. For the corresponding Fokker-Planck equation on a closed manifold, via Voronoi tessellation, we propose two upwind finite volume schemes with or without the information of the invariant measure. Both two schemes enjoy stochastic $Q$-matrix structures and can be decomposed as a gradient flow part and a Hamiltonian flow part, which enable us to prove unconditional stability, ergodicity and error estimates. Based on two upwind schemes, several numerical examples - including sampling accelerated by a mixture flow, image transformations and simulations for stochastic model of chaotic system - are conducted. These two structure-preserving schemes also give a natural random walk approximation for a generic irreversible drift-diffusion process on a manifold. Thus they can be adapted to manifold-related computations induced from high dimensional molecular dynamics.


翻译:在生化反应中,不可逆的漂流扩散过程非常常见。 它们具有非平衡的固定状态( 变化量度), 无法满足详细平衡 。 对于通过Voronoi 熔化, 我们提议两种具有或没有不变化量度信息的顺风量定量方案。 这两种方案都具有随机性 $Q- 矩阵结构, 可以作为一个梯流部分和汉密尔顿流部分分解, 使我们能够证明无条件的稳定性、 遗传性和误差估计。 根据两种上风方案, 进行了几个数字例子, 包括混合流加速采样、 图像转换和混乱系统随机模型模拟。 这两种结构保护计划也为多元的通用不可逆转流化流化过程提供了自然的随机行走近似。 因此, 它们可以适应由高维分子动态引起的多重计算。

0
下载
关闭预览

相关内容

在数学中,随机漫步是一种数学对象,称为随机过程或随机过程,它描述的路径由在某些数学空间(例如整数)上的一系列随机步骤组成。随机行走等是指基于过去的表现,无法预测将来的发展步骤和方向。核心概念是指任何无规则行走者所带的守恒量都各自对应着一个扩散运输定律 ,接近于布朗运动,是布朗运动理想的数学状态,现阶段主要应用于互联网链接分析及金融股票市场中。
专知会员服务
51+阅读 · 2021年6月30日
【图与几何深度学习】Graph and geometric deep learning,49页ppt
一份简单《图神经网络》教程,28页ppt
专知会员服务
124+阅读 · 2020年8月2日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
已删除
将门创投
4+阅读 · 2018年7月31日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年7月23日
Optimization on manifolds: A symplectic approach
Arxiv
0+阅读 · 2021年7月23日
VIP会员
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
已删除
将门创投
4+阅读 · 2018年7月31日
【SIGIR2018】五篇对抗训练文章
专知
12+阅读 · 2018年7月9日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】卷积神经网络类间不平衡问题系统研究
机器学习研究会
6+阅读 · 2017年10月18日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员