三维线性Stratonovich随机微分方程的最大几乎必然Lyapunov指数

《Mathematics》：The Maximal Almost Sure Lyapunov Exponent of Three-Dimensional Linear Stratonovich Stochastic Differential Equations

　　

最大几乎必然Lyapunov指数（maximal almost sure Lyapunov exponent）的符号决定随机系统的稳定性，而由于经典二维策略失效，三维线性Stratonovich随机微分方程中该指数的数值计算仍具挑战性。三维系统的球坐标角运动产生含混合偏导数的Fokker–Planck方程，无法用常规方法求解析解。本文针对三维线性Stratonovich随机系统建立了统一计算框架：退化情形通过解析推导、非退化一般情形通过物理信息神经网络（physics?informed neural network, PINN）逼近求解。对退化系统，研究人员通过正交变换将系数矩阵化为下三角形式，并利用Wiener过程的对数增长性质建立紧上界，得到所有参数符号配置下最大几乎必然Lyapunov指数的闭式表达式。对非退化系统，研究人员在球坐标下重构Fokker–Planck方程，构建带三角编码（trigonometric encoding）的定制化PINN以满足周期边界条件；网络由方程残差、边界约束和归一化一致性联合损失函数训练，收敛后的平稳密度代入Furstenberg–Khasminskii公式计算指数（Gauss–Legendre数值积分）。Monte Carlo模拟验证了所提方法的准确性与鲁棒性，即使在近临界区也能可靠判断最大几乎必然Lyapunov指数的符号。对三维随机Hopf分岔模型的数值实验表明，噪声使分岔点负移，偏移量与噪声强度平方成正比。本研究将Lyapunov稳定性分析从二维推广至三维线性Stratonovich随机系统，为一般三维随机动力学模型的稳定性评估提供了有效工具。

论文解读——《Mathematics》刊载：三维线性Stratonovich随机微分方程的最大几乎必然Lyapunov指数研究

---

研究背景与意义

在动力系统理论中，Lyapunov指数是刻画相空间中邻近轨迹分离速率的基本量，其符号直接决定系统稳定性：最大Lyapunov指数为正则不稳定，为负则渐近稳定，为零为边际稳定。对于受噪声驱动的实世界物理系统，经典确定性Lyapunov指数理论不再适用，需推广至随机微分方程（stochastic differential equation, SDE）框架下的几乎必然（almost sure, a.s.）Lyapunov指数，亦称最大几乎必然Lyapunov指数（maximal almost sure Lyapunov exponent, 记作λ_max）。一维线性随机系统可有解析解，二维线性Stratonovich SDE已有成熟显式公式，但三维情形因角运动从单位圆升至单位球面S2，投影出的Fokker–Planck方程为含混合偏导数?2/?θ?φ的二维椭圆偏微分方程，传统变量分离法失效，至今缺乏系统性计算方法。三维线性SDE广泛出现于流体力学、工程结构随机响应分析等领域，λ_max的准确计算是判定随机稳定性边界与参数敏感性的定量基础。为此，研究人员开展了三维线性Stratonovich SDE中λ_max的统一计算框架研究，分别处理不满足H?rmander非退化条件（退化情形）与满足该条件（非退化情形）的系数矩阵对，给出退化情形的闭式解析公式及非退化情形基于物理信息神经网络（physics?informed neural network, PINN）的数值求解方案，并以三维随机Hopf分岔模型验证方法有效性。

---

主要关键技术方法

研究人员对三维线性Stratonovich SDE dX_t=A X_tdt+B X_t°dW_t作球坐标(r,θ,φ)变换，将径向过程与角运动(θ(t),φ(t))解耦，角运动满足S2上的扩散过程，其平稳密度p_s(θ,φ)满足含混合偏导的稳态Fokker–Planck方程?_tp=L_FPp=0及周期边界条件和归一化∫_S2p_sdσ=1。退化情形：通过Gram–Schmidt正交变换将(A,B)同时化为下三角矩阵，利用Wiener过程对数增长率引理（lim_t→∞sup(W_t/ln t)=0 a.s.，lim_t→∞sup(ln t/t W_t)=0 a.s.）对所有对角元符号关系分六类估计上界并取可达初值证得λ_max=max(a₁₁,a₂₂,a₃₃)即A的最大对角元。非退化一般情形：设计五隐层全连接PINN，输入经sinθ,cosθ,sinφ,cosφ三角编码保证周期边界，输出层用softplus保证非负，损失函数为方程残差L_res（自动微分求二阶及混合偏导）、周期边界损失L_bc、归一化损失L_norm（Sobol序列拟蒙特卡洛积分近似）加权组合，先Adam后L?BFGS两阶段优化得p_s近似；代入Furstenberg–Khasminskii公式 λ_max=∫_S2[tr(A)???V·A^Tu,u?+?‖B^Tu‖2] p_s(θ,φ) dσ(u) 以Gauss–Legendre求积计算。独立验证采用Euler–Maruyama格式的Monte Carlo模拟（N=10?轨线，T=103，Δt=10?3）取中位数估计λ_max。三维Hopf分岔模型在原点线性化得A(α)=diag(α,α,?γ)+反对称旋转块，B=σ·diag(0,0,1)+非零非对角项，扫α求λ_max(α)并定位λ_max=0处分岔点α_c(σ)。

---

研究结果

1. Preliminary（预备知识）

给出三维线性Stratonovich SDE定义及λ_max=lim_t→∞(1/t)ln‖X_t‖ a.s.，经球坐标变换导出角运动漂移与扩散系数函数f(θ,φ)、g(θ,φ)之显式（式(8)–(10)），并复述Furstenberg–Khasminskii定理：若无非平凡公共实特征方向（条件(H)），则λ_max=∫_S2[tr(A)?(A^Tu·u)+?‖B^Tu‖2] μ(du)，μ为角运动不变测度之密度p_s。

2. Explicit Formulas for the Maximal Almost Sure Lyapunov Exponents（最大几乎必然Lyapunov指数显式公式）

• •
  3.1 Degenerated Linear Stratonovich Stochastic Differential Equations（退化情形）：证明任意不满足条件(H)之(A,B)可正交相似变换为下三角型。Theorem 2给出：若(A,B)可同时下三角化且A=diag(a₁₁,a₂₂,a₃₃)+严格下三角，则λ_max=max{a₁₁,a₂₂,a₃₃}。证明以变易常数公式解x₁(t)=e^{a₁₁t+b₁₁W_t}x₁(0)，逐层代入求x₂,x₃，按a_ii?a_jj正负六种情况用Wiener过程对数增长率引理控制各指数与积分项增长率，得上界≤max a_ii且可取初值达此值，故等号成立。数值例证实合Monte Carlo中位估计。
• •
  3.2 Non?Degenerated Linear Stratonovich Stochastic Differential Equations（非退化情形）：给出角运动SDE(22)–(24)及对应Fokker–Planck算子L_FP(27)。指出一般B致混合偏导?2p/?θ?φ非零使方程不可分离。Special Axisymmetric Case（特殊轴对称情形）：当B e_z=β e_z（e_z为A,B共同实特征向量但不满条件(H)严格意义——属边界轴对称），混合偏导消失，p_s(θ,φ)=ρ(θ)/(2π sinθ)，θ向满足一阶ODE d/dθ[?a(θ)ρ+?d/dθ(b(θ)ρ)]=0，解得ρ(θ)∝exp{∫[2a(θ)/b(θ)]dθ}/b(θ)，代Furstenberg–Khasminskii公式得单重θ积分(34)，要求极点处漂流向赤道推斥（不稳定定点）保证密度正规。算例A=diag(?1,?1,?3)+旋转块，B=σ diag(0,0,1)得λ_max≈?0.873吻合Monte Carlo。

3. Solving the Fokker–Planck Equation with Physics?Informed Neural Networks（用PINN求解Fokker–Planck方程）

• •
  4.1 Design of the PINN Method（PINN方法设计）：输入(θ,φ)经( sinθ,cosθ,sinφ,cosφ )六维编码入5×64隐层tanh网络，输出softplus(p_s)。损失L=λ_resL_res+λ_bcL_bc+λ_normL_norm，λ_norm>λ_res,λ_bc因归一化直接影响积分值。配点采用分层随机+极区加密（共600内点），边界均匀取φ=0,2π与导数连续，归一化用N_s=5000 Sobol点。优化先Adam( lr=10?3衰减 ) 5000 epoch再L?BFGS 1000 epoch。
• •
  4.2 Numerical Experiments and Result Analysis（数值实验与结果分析）：取四组非退化矩阵对Q?1~Q?4（含全负对角线稳定例Q?4）。PINN学得平稳密度在赤道带集中且具方位角不对称性（证混合偏导非零）。方程残差降至~10??，归一化积分≈1.0003。将p_s代入Furstenberg–Khasminskii公式Gauss–Legendre(64节点)求λ_max，与10?轨线Monte Carlo中位估计比较，相对误差<1.5%，稳定情形正确判λ_max<0。残差大时误差略增，总体鲁棒。

4. Joint Validation and Empirical Analysis（联合验证与实证分析）

• •
  5.1 Verification of Analytical Results（解析结果验证）：三组建退化矩阵Monte Carlo λ_max估计与Theorem 2预测max(diag(A))相符（相对误<0.3%）。有限时Lyapunov指数λ_T(ω)=(1/T)ln‖X_T(ω)‖随T→∞单调收敛至理论值，T≥500后波动<0.01。
• •
  5.2 Validation of the PINN Method（PINN方法验证）：六组参数（四非退化+两轴对称为参照）三方比核：PINN、解析（轴对称）、Monte Carlo。PINN与MC偏差同向于FP残差大小，轴对称情形PINN误差与解析积分误差同级，未引入额外系统偏误。
• •
  5.3 Distribution Validation of the Finite?Time Lyapunov Exponent（有限时Lyapunov指数分布验证）：直方图显示λ_T样本均值随T↑趋近λ_max，标准差∝T^?1/2，证实MC基准可靠性。
• •
  5.4 Three?Dimensional Hopf Bifurcation Model（三维Hopf分岔模型）：非线性3D Hopf方程线性化得A(α)= [[α,?ω,0],[ω,α,0],[0,0,?γ]]，B=σ[[0,0,0],[0,0,0],[0,0,1]]+非零耦合项（满足条件(H)当σ≠0）。扫α∈[?0.5,0.8]，PINN算出λ_max(α)单调递增过零点。无噪声时分岔点α_c=0；σ=0.3,0.5,0.8时分岔点负移至α_c≈?0.03,?0.08,?0.18，偏移量∝σ2。噪声使稳定性边界左移（负移），近临界点有限时指数标准差增大。

---

讨论与结论总结

研究人员指出本框架将λ_max计算由二维推广至三维线性Stratonovich SDE，退化情形获严格闭式，非退化情形以三角编码PINN克服球坐标Fokker–Planck方程混合偏导困难。局限含PINN近似缺先验误差界、仅考虑独立三维Wiener驱动（相关噪声/Lévy过程需另研）、高阶推广待建立高维球面Furstenberg–Khasminskii公式显式。未来可发展严格误差分析与替代数值基准。

结论（翻译）：针对三维线性Stratonovich随机微分方程最大几乎必然Lyapunov指数研究不足的问题，本文提出了融合解析推导与物理信息神经网络（PINN）的完整计算框架。通过球坐标变换解耦径向与角运动，分别对退化与非退化情形设计求解策略——退化情形经正交变换下三角化并用Wiener过程对数增长率引理证得λ_max等于漂移项矩阵A的最大对角元；非退化一般情形指出混合偏导不可消，提出引入正弦?余弦输入编码与极点加密配点的改进PINN数值策略。数值实验及与Monte Carlo比对验证了所提方法的准确性与鲁棒性。三维Hopf分岔模型实证显示噪声使确定性分岔点负移且偏移量近似正比于噪声强度平方。本工作完善了三维线性随机系统最大几乎必然Lyapunov指数的计算体系，为随机动力系统稳定性分析、高维扩散过程数值解及非线性分岔研究提供了有效工具与可扩展思路。