论文技术总结：基于核方法的随机动力系统与Koopman特征函数应用

论文标题：Kernel Methods for Stochastic Dynamical Systems with Application to Koopman Eigenfunctions: Feynman–Kac Representations and RKHS Approximation
作者：Boumediene Hamzi, Houman Owhadi, Umesh Vaidya
发表日期：2026年3月3日 (arXiv:2603.01077v1)

---

1. 研究背景与问题定义

1.1 背景

Koopman算子理论提供了一种通过线性无限维算子来研究非线性动力系统的视角。其核心目标是提取Koopman算子的特征函数，这些函数揭示了系统的内在模态结构（如稳定/不稳定流形、吸引域等）。此前，作者团队在确定性系统（常微分方程，ODE）中建立了一个统一的核框架，通过三种方法（Lions型变分原理、格林函数卷积、沿特征流的预解算子）构建了相同的再生核希尔伯特空间（RKHS）核函数。

1.2 问题陈述

然而，许多实际系统（如分子动力学、金融数学、气候建模）受到随机扰动，需由随机微分方程（SDE）描述：
$$dX_t = G(X_t) dt + \sigma(X_t) dW_t$$
在随机系统中，Koopman生成元（Kolmogorov向后算子）包含二阶扩散项，使得特征函数方程从一阶双曲型输运方程转变为二阶椭圆 - 抛物型偏微分方程（PDE）：
$$\mathcal{K}\phi = G(x) \cdot \nabla \phi + \frac{1}{2}\text{Tr}[a(x)\nabla^2 \phi] = \lambda \phi$$
这一根本性变化导致确定性框架中的“特征线法”不再直接适用，且解具有扩散平滑效应。

核心挑战：

1. 如何将确定性框架下的三种核构造方法推广到随机系统？
2. 如何证明在随机设置下这些核的等价性？
3. 如何构建高效的数值算法并分析误差？
4. 扩散项（噪声）对数值条件数的影响是什么？

---

2. 方法论

2.1 理论框架扩展

作者将确定性框架扩展至SDE，利用Feynman-Kac公式替代特征线法，重新定义了三种核构造：

1. Lions型变分原理（带扩散）：

   • 定义随机输运算子 $\mathcal{L}_{stoch} = G \cdot \nabla + \frac{1}{2}\text{Tr}[a\nabla^2] - \lambda$。
   • 在具有图范数 $\|u\|^2_H = \|u\|^2_{L^2} + \|\mathcal{L}_{stoch}u\|^2_{L^2}$ 的希尔伯特空间中，寻找点评估泛函的Riesz表示器。
   • 要求核函数具有 $C^{2,2}$ 光滑性以处理二阶导数。

2. 基于Feynman-Kac的格林函数：

   • 利用Feynman-Kac公式，将PDE解表示为随机轨迹的期望。
   • 定义随机格林函数 $G_\lambda(x, y; t) = e^{-\lambda t} p_t(x, y)$，其中 $p_t$ 是转移密度。
   • 核函数定义为时间积分：$k_{FK}(x, y) = \int_0^\infty e^{-\lambda t} p_t(x, y) dt$。

3. 随机预解核：

   • 定义预解算子 $R_\lambda = (\lambda I - \mathcal{K})^{-1}$。
   • 核函数表示为随机轨迹的拉普拉斯变换：$k_{res}(x, y) = \mathbb{E}_x [\int_0^{\tau_\Omega} e^{-\lambda t} \delta(y - X_t) dt]$。

2.2 核等价性定理

在一致椭圆性假设（扩散张量 $a(x)$ 正定）和适当的正则性条件下，证明了三种构造生成的核函数是等价的：
$$k_{var}(x, y) = k_{FK}(x, y) = k_{res}(x, y)$$
这一等价性依赖于算子 $\lambda I - \mathcal{K}$ 的强制性（Coercivity），并给出了 $\lambda$ 的实部需满足的条件（$\Re(\lambda) > \frac{1}{2}\|(\nabla \cdot G)^-\|_\infty$）。

2.3 退化情形（Hypoellipticity）

对于扩散矩阵不满秩的系统（如欠阻尼Langevin动力学），作者扩展了理论至Hörmander条件（拟椭圆性）。此时，虽然扩散是退化的，但通过漂移与扩散向量场的李括号生成全空间，保证了算子的光滑性。此时核等价性依然成立，但正则性从 $H^1$ 降为 $H^\varepsilon$（$\varepsilon < 1$）。

2.4 数值计算方法

• 配点法（Collocation Method）：
  • 将非线性修正项 $h(x)$ 近似为核函数的线性组合：$h(x) \approx \sum \alpha_j k(x, x_j)$。
  • 在配点处强制满足PDE，构建线性方程组 $(L + D - \lambda K)\alpha = -f$。
  • 显式推导了扩散矩阵 $D_{ij} = \frac{1}{2}\text{Tr}[a(x_i)\nabla^2_x k(x_i, x_j)]$ 的计算公式（特别是高斯RBF核）。
• 蒙特卡洛Feynman-Kac近似：
  • 当解析解不可得时，通过模拟随机轨迹估计 $h(x)$。
  • 提出了混合方法：利用蒙特卡洛生成配点处的数据，再通过核岭回归求解。

---

3. 主要贡献

1. 理论统一：首次将确定性Koopman核框架完整推广至随机微分方程（SDE），建立了变分、格林函数和预解算子三种视角在随机设置下的等价性。
2. Feynman-Kac核构造：引入Feynman-Kac路径积分作为随机系统的核心构造工具，替代了确定性系统中的特征线法。
3. 误差分析：
   • 将总误差分解为RKHS近似误差（随配点数量 $N$ 增加而减小）和蒙特卡洛采样误差（随样本数 $K$ 增加以 $O(K^{-1/2})$ 减小）。
   • 提供了边界稳定性和总误差界的严格证明。
4. 扩散对数值条件的影响：
   • 理论证明并数值验证了适度的扩散项具有椭圆正则化效应。
   • 扩散项在离散矩阵中引入负定对角偏移，显著改善了系统的条件数（Condition Number），提高了数值稳定性。
5. 退化系统扩展：将框架扩展至满足Hörmander条件的拟椭圆系统（如欠阻尼Langevin动力学），并分析了正则性降低对收敛率的影响。
6. 与其他方法的联系：厘清了该方法与生成器EDMD (gEDMD)、扩散映射 (Diffusion Maps) 和核类比预测 (Kernel Analog Forecasting) 的关系。

---

4. 实验结果

作者在三个测试案例中验证了理论：

1. Ornstein-Uhlenbeck (OU) 过程：

   • 线性系统，存在解析解。
   • 结果：方法以机器精度（$<10^{-14}$）恢复了线性特征函数，验证了算法的准确性。

2. 二次非线性SDE：

   • 测试不同扩散强度（$\sigma = 0, 0.3, 0.5$）下的非线性修正。
   • 关键发现：
     • 无扩散时（$\sigma=0$），条件数高达 $3.79 \times 10^6$。
     • 加入适度扩散（$\sigma=0.5$）后，条件数降至 $1.03 \times 10^6$（改善约3.7倍）。
     • 虽然PDE残差略有增加，但半群误差（Semigroup Error）保持在10%以内，证明了扩散在提升数值稳定性的同时未破坏特征结构。

3. 二维线性系统：

   • 验证了多维情况下的机器精度恢复能力。

可视化：展示了特征函数轮廓、零水平集以及半群性质的验证，所有测试的半群误差均低于10%。

---

5. 意义与结论

5.1 科学意义

• 理论突破：解决了随机动力系统中Koopman特征函数计算的统一核方法问题，填补了确定性框架无法处理随机噪声的空白。
• 数值洞察：揭示了“噪声即正则化”的现象。在数值计算中，适度的随机性（扩散）可以通过椭圆正则化改善病态问题的条件数，这对于处理刚性系统或高维系统具有重要意义。

5.2 应用前景

• 分子动力学：用于识别亚稳态和反应坐标。
• 金融工程：用于随机波动率模型的风险因子识别和期权定价。
• 气候建模：分析具有湍流扩散的大气 - 海洋系统的可预测性时间尺度。
• 随机控制：基于特征函数的线性化控制设计。

5.3 未来方向

论文指出未来的工作将包括扩展到无限维SDE（随机偏微分方程）、跳跃扩散过程、非马尔可夫系统、高维张量方法以及基于Koopman的随机最优控制合成。

总结：该论文通过引入Feynman-Kac表示和RKHS近似，成功构建了一个稳健、统一且数值稳定的框架，用于计算随机动力系统的Koopman特征函数，并深刻揭示了扩散项在改善数值计算稳定性方面的积极作用。