Forschungsbericht 2025 - Max-Planck-Institut für Mathematik in den Naturwissenschaften

Natürliche Phänomene mit Stochastik beschreiben - das Gaußsche freie Feld

Autoren
Barashkov, Nikolay
 
Abteilungen
Max-Planck-Institut für Mathematik in den Naturwissenschaften, Leipzig
Forschungsgruppe „Stochastic Analysis in Mathematical Physics“
 
Zusammenfassung
Zufall erzeugt im Wechselspiel mit nichtlinearen dynamischen Systemen vielfältige Modelle für natürliche Phänomene. Basis vieler dieser Beschreibungen bilden die Brownsche Bewegung sowie ihre höher dimensionale Verallgemeinerung, das Gaußsche freie Feld. Aufgrund der besonderen Eigenschaften dieser stochastischen Objekte erfordert das mathematische Verständnis solcher Systeme die Entwicklung neuer Theorien wie des Itō-Kalküls und der Regularitätsstrukturen.

Betrachten wir zunächst einen einfachen zufälligen Prozess: Ein Spieler wirft wiederholt eine Münze und gewinnt bei jedem Kopf einen Euro, während er bei Zahl einen Euro verliert. Bezeichnen wir mit Sn den Gesamtgewinn nach n Würfen, so konvergiert der skalierte Prozess gegen eine Brownsche Bewegung Bt, einen zeitlich kontinuierlichen Zufallsprozess. Die Brownsche Bewegung, ursprünglich in der Physik zur Beschreibung der unregelmäßigen Bewegung mikroskopischer Teilchen (etwa Pollen) in einer Flüssigkeit eingeführt, ist eines der grundlegendsten Modelle für Zufall in kontinuierlicher Zeit.

Jenseits der Brownschen Bewegung: Nichtlineare, stochastisch getriebene Systeme

Viele natürliche oder technische Systeme lassen sich jedoch nicht direkt als Brownsche Bewegung beschreiben, sondern als nichtlineare dynamische Systeme, die durch Brownsche Bewegung angetrieben werden. Beispiele finden sich in den Finanzmärkten: So beschreibt etwa die geometrische Brownsche Bewegung – die auf Bachelier zurückgeht – die dynamische Entwicklung von Aktienkursen.

Auch in der modernen Optimierung und im maschinellen Lernen spielt stochastische Dynamik eine zentrale Rolle: Der stochastische Gradientenabstieg, ein wichtiges Werkzeug in diesem Bereich, kann als stochastische Differentialgleichung modelliert werden, deren zufälliger Treiber ebenfalls die Brownsche Bewegung ist. Für hochdimensionale Versionen dieses Prozesses interessieren wir uns am MPI MIS.

Um solche Gleichungen präzise zu formulieren und zu analysieren, wurde in den 1940er Jahren von Kiyoshi Itō eine neue Theorie entwickelt, heute bekannt als Itō-Kalkül. Es erlaubt das Integrieren mit der respektive zur Brownschen Bewegung und bildet das Fundament der Theorie stochastischer Differentialgleichungen.

Zufall in mehreren Variablen: Das Gaußsche freie Feld

Die Brownsche Bewegung besitzt einen höherdimensionalen „Cousin“: das Gaußsche freie Feld. Während die Brownsche Bewegung ein grundlegendes Modell für zufällige Pfade (eine Funktion in einer Dimension) ist, modelliert das Gaußsche freie Feld zufällige Funktionen in höheren Dimensionen. Es spielt eine zentrale Rolle in der Wahrscheinlichkeitstheorie, der statistischen Physik und der Quantenfeldtheorie und kann als natürliche Verallgemeinerung der Brownschen Bewegung gelten.

Auch hier ist es für viele Modelle entscheidend, nichtlineare Effekte mit einzubeziehen. Nichtlineare Störungen des Gaußschen freien Feldes erzeugen beispielsweise die Ising- und Heisenberg-Modelle, die dabei helfen, Magnetismus zu verstehen, oder das Liouville-Modell als Modell zufälliger Flächen und zweidimensionaler Quantengravitation. Von Interesse sind auch dynamische Modelle mit ähnlichen Eigenschaften, wie beispielsweise die KPZ-Gleichung, eingeführt von Mehran Kardar, Giorgio Parisi und Yi-Cheng Zhang, um Waldbrände zu beschreiben.

Singulare Strukturen und Wechselwirkungen im Gaußschen freien Feld

Das Gaußsche freie Feld lässt sich im Gegensatz zur Brownschen Bewegung nicht punktweise definieren. Seine Werte an einzelnen Punkten fluktuieren unendlich stark und besitzen daher keine wohldefinierte Bedeutung. Mathematisch versteht man das Gaußsche freie Feld deshalb nicht als Funktion, sondern als Distribution: Sinnvoll definiert sind nur verschmierte Größen wie lokale Mittelwerte gegen glatte Testfunktionen, nicht jedoch punktweise Werte.

Diese inhärente Irregularität führt zu erheblichen Schwierigkeiten, sobald nichtlineare Operationen auftreten. Ausdrücke wie Ø3(x) oder andere nichtlineare Terme können für allgemeine Distributionen im klassischen Sinn nicht definiert werden. Um dennoch nichtlineare Gleichungen auf Basis des Gaußschen freien Feldes präzise formulieren und analysieren zu können, wurden im letzten Jahrzehnt mehrere theoretische Ansätze entwickelt, insbesondere Martin Hairers Theorie der Regularitätsstrukturen [1] sowie Renormierungsgruppenansätze (RG).

Die Theorie der Regularitätsstrukturen erweitert die klassische Taylorentwicklung, indem sie nicht nur Polynome berücksichtigt, sondern auch singuläre Modellfunktionen, die strukturell dem Gaußschen freien Feld ähneln. Es konstruiert dann einen verallgemeinerten Kalkül, der auch Produkte solcher Objekte konsistent definiert. Am MPI MIS wurde in der Arbeitsgruppe „Pattern Formation, Energy Landscapes, and Scaling Laws“ eine geometrische Sichtweise auf diese Theorie entwickelt, welche eine effizientere Organisation dieser Modellfunktionen erlaubt und algebraische und stochastische Aspekte der Theorie vereinfacht [2]. 

Die Renormierungsgruppe verfolgt einen anderen Ansatz: Sie konstruiert verschmierte (also regularisierte) Versionen der nichtlinearen Felder auf verschiedenen Skalen und sorgt dafür, dass dies konsistent geschieht und dass beim Übergang zur Kontinuumsgrenze eine wohldefinierte Distribution entsteht. In der Gruppe „Stochastic Analysis in Mathematical Physics“ wird eine variationelle Formulierung dieser Theorie untersucht und auf neue Modelle angewandt [3]. Außerdem wird die Renormierungsgruppe benutzt, um stochastische partielle Differentialgleichungen mit Randwerten besser zu verstehen.

Schlusswort

Die Brownsche Bewegung und ihre vielfältigen Verallgemeinerungen sind heute gut verstandene stochastische Grundobjekte. In Kombination mit nichtlinearen Systemen ermöglichen sie die Konstruktion und Analyse reichhaltiger Modellklassen. Zugleich führt ihr oft singuläres Verhalten dazu, dass neue mathematische Werkzeuge entwickelt werden müssen. Eine Fragestellung, die bis heute zentrale Impulse für die moderne Wahrscheinlichkeitstheorie und mathematische Physik liefert.

Literaturhinweise

Hairer, M.
A theory of Regularity Structures
Inventiones Mathematicae 198(2), 269-504 (2014)
Linares, P.; Otto, F.; Tempelmayr, M.; Tsatsoulis, P.
A diagram-free approach to the stochastic estimates in regularity structures
Inventiones mathematicae 237(3), 1469-1565 (2024)
Barashkov, N.; Gubinelli, M.
A variational method for Phi 4 3
Duke Mathematical Journal 169(17), 3339-3415 (2020)

Weitere interessante Beiträge

Zur Redakteursansicht