求解高维偏微分方程计算成本高昂，Deep Galerkin Method（DGM）虽用神经网络开辟了新路径，但其二阶导数计算成为瓶颈。一种基于蒙特卡洛的近似方法，通过巧妙利用布朗运动，显著降低了计算复杂度，为在精度与效率间寻求平衡提供了全新思路。
智能速览
Deep Galerkin方法利用神经网络求解抛物型偏微分方程。
直接计算高维空间二阶导数的复杂度高达O(d²N)，是主要瓶颈。
基于布朗运动的蒙特卡洛近似法，将计算复杂度降至O(dN)。
采用对偶变量法可将近似精度从O(Δt^{1/2})提升至O(Δt)。
该方法为高维问题求解在计算效率与精度之间提供了实用的权衡方案。
精华内容
面对高维偏微分方程求解的计算困境，DGM算法本身遇到了瓶颈。一种创新的蒙特卡洛近似方法，通过牺牲少量精度换取了计算效率的巨大飞跃，下面将深入解析其核心机制。
DGM的计算瓶颈
深度Galerkin方法（DGM）通过训练一个神经网络来近似偏微分方程的解，其损失函数包含初值、边值和方程残差三项。在利用随机梯度下降训练时，需要反复计算微分算子。对于许多源于随机微分方程的PDE，该算子包含二阶导数项。
直接计算这一项，其复杂度会随空间维度呈平方级增长，达到O(d²N)（d为维度，N为批次大小），并且梯度下降过程还需要计算三阶导数，这在高维场景下是极其昂贵的，构成了DGM算法的主要计算瓶颈。
蒙特卡洛近似思想
为绕过高昂的二阶导数计算，研究提出了一种基于蒙特卡洛模拟的近似方法。其核心思想是利用布朗运动的增量来近似二阶导数，其中是一个均值为0、协方差为的多维正态随机变量。
通过一个关键等式，可以用随机采样的方式逼近二阶导数项。这种初始近似的收敛速度为O(Δt^{1/2})，即偏差的阶为Δt^{1/2}。该方法将微分算子分解，仅对其中的二阶导数部分进行近似，从而避免了直接计算。
对偶变量法提升精度
为降低初始蒙特卡洛近似的偏差，作者引入了对偶变量法。该方法构造了一个新的近似器，它同时使用随机变量和其相反数来计算扰动。
通过泰勒展开可以证明，这种对称的采样方式能够将一阶误差项相互抵消，从而使整体近似偏差从O(Δt^{1/2})降低到O(Δt)，精度提升了一个数量级。选择更小的步长可以进一步提高精度，且不会带来额外的计算成本，但需注意可能引发的数值稳定性问题。
效率与精度的权衡
采用蒙特卡洛近似修正后的DGM算法，其最大优势在于计算复杂度从O(d²N)大幅降至O(dN)。因为它只需要计算一阶导数在扰动点处的值，而无需计算所有d²个二阶导数。这对于d很大的问题（例如d=100）至关重要。
这种效率的提升是以引入近似偏差和额外方差为代价的。近似偏差源于有限差分和期望估计，额外方差源于蒙特卡洛抽样。因此，原始DGM提供了无偏、低方差但昂贵的方案，而修正算法则提供了有偏、高方差但高效的方案，为不同应用场景提供了灵活的选择。
基于蒙特卡洛的DGM优化算法，为解决高维科学计算中的“维度灾难”提供了一条有效路径。它通过巧妙的数学变换，在可接受的精度损失下，极大地提升了计算效率，使得以往难以处理的复杂问题变得可行。这种在精度与效率间进行权衡的思路，是否会成为未来AI for Science领域算法设计的主流范式之一？
