聚合扩散方程不再逐点离散：把速度场交给神经网络，质量与正性自动守住

聚合扩散方程被写成以速度场为控制变量、以连续性方程为约束的最优控制问题，密度作为状态变量随约束演化，因此质量守恒与密度正性由约束本身保证，而不是事后修补。 此前的结构保持数值方法大多依赖网格化空间离散，计算成本与内存需求随空间维度快速上升，高维问题难以处理。 该等价性以定理形式给出：约束优化问题的全局最小值取零，且其极小元与聚合扩散方程的解一一对应，密度与最优速度场在相应函数空间中唯一确定。

速度场由神经网络参数化，变分目标沿粒子轨迹评估，密度与广义得分方程耦合成一个系统用欧拉法推进，从而不必显式求解高维密度方程。 直接对密度做神经网络逼近的求解器通常不会自动保持正性、质量守恒与自由能耗散，长时间模拟中这些性质的微小破坏可能累积。 数值实验覆盖一维Doi-Onsager方程、二维Patlak-Keller-Segel系统、多孔介质方程以及三维和十维Ornstein-Uhlenbeck问题；在三维与十维算例中，每次迭代耗时保持在1.2至1.5秒之间，峰值内存随维度与粒子数近似线性增长。

总误差被分解为神经逼近、优化、蒙特卡洛采样与时间离散四部分，并给出高概率误差界，把网络表达能力、优化残差与采样误差各自的贡献分开。 此前的同类神经方法没有给出这样统一的误差分解，收敛性讨论通常只覆盖其中一部分来源。 误差界在初始密度严格正且足够光滑、相互作用力有界且利普希茨的假设下成立；对二维Patlak-Keller-Segel的牛顿位势奇性，理论覆盖的是经过磨光正则化的核，数值上采用blob正则化核并令自相互作用为零。

该框架面向具有自由能耗散结构的聚合扩散方程，包括趋化、生物聚集与棒状聚合物动力学等模型；数值验证覆盖一维Doi-Onsager、二维Patlak-Keller-Segel、多孔介质方程以及三维和十维Ornstein-Uhlenbeck问题。误差分析在初始密度严格正且足够光滑、相互作用力有界且利普希茨的假设下成立，二维Patlak-Keller-Segel的牛顿位势奇性通过磨光核处理。作者提出的后续方向包括耦合偏微分方程组、更一般的迁移率函数、各向异性输运与非欧几里得变分结构，以及长时间动力学的高效训练策略。

误差界是条件性的分解而非无条件收敛保证，要转成渐近收敛结果还需补充神经网络表达能力与优化性能的显式假设。多孔介质情形下基于KL散度的稳定性论证并不直接适用，需要另选差异度量并单独分析。高维算例中训练粒子上的相对残差保持在百分之几，而新采样粒子上的误差在十维时可达前者的五倍，说明主导误差来自有限样本泛化而非优化或时间离散。非局部相互作用的逐对计算复杂度为每时间步粒子数的平方，在本文粒子规模下尚可承受，更大规模需要快速求和方法。