核方法与神经网络求解无界域HJB方程：从经验残差导出收敛与误差界
核心概要
本文为无界空间域上Hamilton–Jacobi–Bellman方程的两类非单调无网格近似——Wendland核配点（在native space范数约束下）与光滑激活物理信息神经网络（在Sobolev范数约束下）——从可计算的经验平方残差导出误差界：通过范数约束、插值不等式与受控扩散截断估计，把经验损失转化为粘性解误差估计所需的逐点残差控制，并分别给出紧集上的一致收敛与后验/高概率定量误差界，误差由核的填充距离以及网络与样本规模控制。
Figure 5.1: Kernel realization, d = 1 d=1 , R = 3 R=3 , c = 1 c=1 , λ = 6 \lambda=6 . (left) Errors on the fixed compact core Q core = [ 0 , 1 ] × [ − 1 , 1 ] Q^{\mathrm{core}}=[0,1]\times[-1,1] and on the full truncation cylinder [ 0 , 1 ] × [ − 3 , 3 ] [0,1]\times[-3,3] , versus the spatial spacing h x h_{x} , with a reference slope h x 3 h_{x}^{3} . (right) The a posteriori residual bound γ n \gamma_{n} of ( 3.6 ), versus h x h_{x} , against an h x 3 / 2 h_{x}^{3/2} reference slope.
arXiv深度剖析
提出统一的“经验残差到误差”机制：范数约束给出候选解的局部一致正则性，Gagliardo–Nirenberg型插值把总体残差转成逐点残差，受控扩散截断估计再把截断柱上的残差界转成紧集上的收敛。 此前粘性解误差估计需要逐点残差控制，而核配点与PINN/DGM只最小化经验平方残差与终端失配；本文在范数约束下从可计算经验损失恢复该逐点控制，并分别量化核的离散误差与网络的采样误差。 该机制在Section 2以引理与定理形式给出并附证明，是后续两类实现共用的基础；其输入仅为(A1)(A2)下的唯一有界连续粘性解，不要求一致非退化。
核实现：以Wendland函数平移组合为试探解，在native space范数约束下，Theorem 3.3给出紧集上一致收敛，Theorem 3.4给出针对唯一有界连续粘性解的后验定量误差界，由经验损失与填充距离控制。 已有非单调严格理论多限于有界域、Cordès或ABP算子类与网格离散；本文将残差到误差的证书推广到无界域上的核配点，并给出可直接由计算得到的经验损失评估的后验界。 收敛性依赖额外的经典解与native space正则性假设；后验界(3.10)对每个满足native space约束的候选解成立，其右端只含已算出的经验损失与给定参数。
神经网络实现：以有界光滑激活（如tanh）的前馈网络为试探解，在Sobolev范数约束下，Theorem 4.9给出紧集上依概率一致收敛，Theorem 4.10给出高概率定量误差界，速率由网络类的逼近能力与基于参数覆盖论证的Rademacher界决定。 已有PINN/DGM收敛与误差估计多针对线性、半线性或拟线性方程；本文针对有限时域二阶HJB方程直接最小化经验残差的情形，给出含逼近、泛化、集中与优化四项误差的分解。 界(4.13)在给定概率下对每个可容许参数选择成立；显式速率在具备逼近速率时可代入，tanh网络情形引用De Ryck等的结果，且该速率体现维数灾难。
数值实验：在一维与二维制造解问题上展示两类实现，核方法在空间网格加密下核心RMS误差降至约1e-3量级，带宽在约1.25附近最优，按定理尺度同时加密网格与截断半径时核心RMS误差从约7.9e-2降至约5.7e-5；网络误差随宽度增大而下降。 实验同时报告核心区与全柱误差，显示大带宽时误差集中于人工边界、而较大带宽可去除该层；并与单调显式有限差分基线比较，核方法在核心区更精确而有限差分便宜得多。 实验为单一制造方程、固定时间网格与较短训练预算；网络训练未施加理论Sobolev约束，仅用层范数乘积作为可计算代理，作者明确说明实验是“illustrate, rather than validate”理论。
启示与展望
该分析面向无界空间域上具受控扩散表示的有限时域二阶HJB方程，适用于在native space或Sobolev范数约束下最小化经验残差的核配点与PINN类方法。对核方法，后验界可直接用于评估任意满足约束的候选解；对网络方法，误差界在给定概率下对可容许参数成立，并可在具备逼近速率时给出显式速率。实验部分针对一维与二维制造解问题，用于展示网格加密、带宽选择、截断半径与网络宽度的影响，并可与单调有限差分基线在核心区与全柱误差上对照。
收敛性结论依赖经典解与native space或Sobolev正则性等附加假设，这些假设与粘性适定性相互独立；网络实现还需泛化与尾部条件，且显式速率在tanh网络情形体现维数灾难。数值实验为单一制造方程、固定时间网格与较短训练预算，网络训练未施加理论Sobolev约束而仅用层范数乘积作为代理，因此实验用于展示而非验证理论；高维实验与更广基线留待后续工作。