5.2 随机偏微分方程

5.2 随机偏微分方程

激波那一站，解仍是确定的曲线，只是长出了间断；这一站随机性来得更彻底——噪声直接写进方程，解不再是函数而是一个随机过程，每一次"实现"都不同，能确定的只有概率分布。随机偏微分方程是气候集合预报、地下水渗流、材料相变、神经科学群体放电的日常语言。本节讲清"把噪声写进方程"的严格含义，演示蒙特卡洛求解的完整流程，并说明它与第二章不适定问题的本质区别——两种"病"不能开同一副药。

给方程掺进噪声

从确定的热传导方程出发，加上一个随时间空间波动的随机力：

du = a²·u_xx·dt + σ·dW(t,x)，

右端第二项是时空白噪声的增量——可以想象成在每个点、每个瞬间被独立抽打一下的随机踢动。这里藏着一个初见会扑空的细节：白噪声不是函数。它在每个点的"值"是无穷大方差的不存在对象，严格身份是 2.4 节分布语言的随机版——随机广义过程。方程的严格读法是积分形式：du 累加的是噪声对时空的配对作用。正因如此，解的质地变了：热方程本有"瞬间光滑化"的性格（2.2 节），但一维被白噪声持续抽打的解只比噪声光滑半阶，二维干脆处处不连续——噪声的粗糙度与方程的磨光能力在拔河，维度决定谁赢。

另一个必须习惯的观念转换：解 u(x,t) 是随机变量，"解是多少"这个问题不再有单一答案，能问的是均值、方差、分布、以及某事件发生的概率。确定性问题里我们追问收敛阶；随机问题里多了一层——蒙特卡洛样本数 N 带来的统计误差按 1/√N 收敛，比任何空间离散都慢，计算预算的大头通常砸在采样上。

数值实验：随机热方程的蒙特卡洛完整流程

完整走一遍标准流程：空间用 4.2 的显式差分，噪声在每个时间步、每个内点叠加独立的随机踢动（幅度与 √dt 成正比——维纳过程增量的标准差是时间差的平方根，这个平方根是随机数值方法最常见的记号事故点）。跑 N 条独立轨迹，统计均值与方差分布。

import numpy as np

n, dx = 99, 0.01
dt = 0.4*dx**2                    # 稳定域内（确定性部分）
T, sigma = 0.02, 0.5
steps = int(round(T/dt))
x = np.linspace(0, 1, n+2)

def one_path(seed):
    rng = np.random.default_rng(seed)
    u = np.zeros(n+2); u[40:60] = 1.0        # 中间一段热的初始分布
    for _ in range(steps):
        u[1:-1] += 0.4*(u[2:] - 2*u[1:-1] + u[:-2])   # 确定性扩散
        u[1:-1] += sigma*np.sqrt(dt)*rng.standard_normal(n)  # 随机踢动
    return u

N = 4000
paths = np.array([one_path(s) for s in range(N)])
mean = paths.mean(axis=0); var = paths.var(axis=0)

print("均值峰值:", round(mean.max(), 4), "（对比确定性扩散会更高）")
print("方差峰值:", round(var.max(), 4), " 出现在原热区边缘附近")
print("统计误差量级 约", round(paths.std(axis=0).max()/np.sqrt(N), 5))
​

读数三行各有含义：均值峰值低于对应确定性扩散——随机踢动把能量摊进方差通道；方峰值出现在初始热区边缘附近——那里"扩散到的概率"与"噪声重新加热的概率"交叠最大；第三行的 1/√N 决定预算——想把统计误差压到与空间离散同阶，N 需要成千上万。这正是集合预报业务化烧算力的原因，也是第七章高性能计算在气候领域的用武之地。

💡 关键直觉：随机问题里"收敛"有两层——空间网格加密逼近单条轨迹的方程，样本数增加逼近概率分布。两条收敛轴独立，报告精度时必须分别声明，只报一个等于隐瞒另一半误差。

与不适定的分界线：两种病两种药

初学者最容易把本节与 2.3 混为一谈，值得立一块界碑。随机性是定义层面的"病"：问题本身良性，只是解的对象从函数换成随机过程——解的存在唯一性在适当的函数空间（适度的 Hilbert 空间框架）照样成立，蒙特卡洛是"正确答案的正确估计"，只是收敛慢。不适定是条件层面的"病"：解的对象没变，但解对输入的连续依赖被破坏——任何估计都会被噪声淹没，必须正则化。判断工序：先问解的对象对不对（随机？），再问问题条件好不好（适定？）。气候预报两者兼有：初始条件不确定性用集合（随机）处理，资料同化的反演成分用正则化（2.3）处理——两副药各治各的。

应用现场与延伸

三个方向标注坐标。气候与海洋：能量平衡模型加随机强迫是气候敏感度估计的入门模型，集合预报是 SPDE 蒙特卡洛的工业化版本。材料科学：相场方程加热涨落刻画成核过程——新相在噪声里"试错"出临界晶核，确定性问题里这个事件概率为零。量化金融：6.3 节的 Black-Scholes 本质是一条 SPDE（利率与波动率带随机性时的推广），费曼–卡茨公式把它的解表示成随机微分方程的期望——随机分析与偏微分方程深刻等价的招牌案例。想继续深入的读者，路线是先掌握布朗运动与伊藤积分，再进入 Hilbert 空间值方程——本节提供的是地图，不是全程向导。

卡鲁宁–洛文展开：把随机场装进有限维

工程实践中最常见的随机输入不是白噪声，而是有空间相关性的随机场——渗透系数场、材料弹性模量场。处理它的标准工具是卡鲁宁–洛文展开：把随机场写成一组确定性基函数（相关算子的特征函数）乘以互不相关的随机系数的级数。它的双重身份值得记住：数学上是"随机场的主成分分析"，数值上是"降维的第一道闸门"——协方差光滑时特征值衰减极快，几十项就能表示一个工程随机场，蒙特卡洛的每次采样从"生成整个场"降为"抽取几十个系数"。这一步与 5.3 反问题的结合（贝叶斯反演的先验压缩）与 5.4 神经算子的输入接口（随机系数作为网络输入）都是现代工作流的标配环节。

一个值得手算的最小例子：指数型协方差的一维随机场，特征值约按 1/n² 衰减——前 10 项就抓住了九成以上的方差。把这条衰减曲线画出来（与 4.5 的谱系数诊断同款画法），可以直观判断"这个不确定性问题需要几个随机维度"——预算估算在动工之前就有答案。

本节要点

• 噪声入方程：白噪声是随机分布而非函数，方程必须按积分形式读；
• 解的质地改变：噪声粗糙度与方程磨光能力拔河，维度决定解是否连续；
• 问法转变：解是随机变量，均值、方差、概率取代确定值；
• 两层收敛：网格轴逼近单轨迹、样本轴逼近分布，统计误差 1/√N 决定预算；
• 两种病分治：随机性换解的定义、不适定坏问题的条件，蒙特卡洛与正则化各治其一；
• 应用坐标：气候集合预报、材料成核、金融定价是三大主场。

方程越来越复杂，但问题始终"正着问"：给方程和数据，求解。下一站把问题倒过来——给观测数据反推方程里的源或系数，走进不适定性真正的主场：反问题与参数识别。