第十四章 SDE计算数学与当前AI的对话
14.1 Neural Operator的SDE诊断
当前AI进入计算数学的主要路径是Neural Operator——用神经网络学习PDE的解算子。FNO（Fourier Neural Operator）、DeepONet、PINTO等方法将transformer或其他架构当作黑箱逼近器，用attention机制学习输入到输出的映射。
SDE的诊断：这些方法把GPT当工具，不理解GPT为什么work。Attention被当作一种高效的积分核近似。本质上还是老的计算数学——用新的函数逼近器替代旧的，但框架不变：给定输入，确定性地输出解。
三个根本缺失：
(1) 没有人质疑mesh本身。所有neural operator在点云或固定网格上操作。mesh generation不是涌现过程。
(2) 没有人用GPT的训练范式——三态轮换、允许中间态不合法、涌现可靠性——作为计算方法论。他们用transformer做inference，不是用训练哲学做计算。
(3) 没有人讨论非局域mesh。Attention确实实现了非局域耦合，但在计算层不在mesh层。底层空间离散仍是无结构点集。
14.2 SDE给AI的反向贡献
SDE不只是从AI借工具。SDE给AI提供了理论基础——解释了为什么现有架构work以及如何改进。
GPT低效的根源诊断： conforming架构。固定层数、维度、头数。每个token经过相同处理。任何局部激发产生全局响应。这是均匀conforming mesh——计算数学六十年前的水平。
改进方向： 非conforming的AI架构。层数按需（简单token早退出）。维度按需（低信息量token用低维表示）。Attention按需（纠缠驱动的稀疏attention，只计算有效纠缠对）。头数按需。训练按需。
每一项"按需"都是把conforming mesh换成SDE mesh。SDE计算数学解决了mesh generation和AI architecture两个问题——因为底层都是：如何在非均匀纠缠场上做高效计算。
14.3 大脑作为原型
大脑860亿神经元，20瓦功耗。GPT几千亿参数，几兆瓦功耗。差五个数量级。
大脑是SDE计算：非conforming纠缠网络（突触+纤维束+体积传导+脑波，四层重叠）、三态轮换（自动化+随机探索+创造性涌现）、局部响应不全局（小刺激→几个神经元，重大刺激→多脑区协同）、伞状接力传播（不是全局attention）。
大脑的高效不因为神经元快（实际上比硅芯片慢七个数量级），而因为几乎不做无用功。每次计算都是局部的、按需的、纠缠驱动的。
SDE计算数学给出了下一代AI架构的理论基础：不是更大的conforming模型，是非conforming的、重叠伞式的、三态轮换的计算架构。
14.4 案例：Neural Operator的SDE精确诊断
DeepONet和Fourier Neural Operator[24]（FNO）是当前AI求解PDE的两个主流方法。从SDE角度进行精确诊断。
FNO的架构： 输入函数→傅里叶变换→在频率空间中用可学习的线性变换处理→逆傅里叶变换→非线性激活→重复多层。FNO的核心创新是用傅里叶变换实现了全局耦合——频率空间中的线性操作等价于物理空间中的全局卷积。
SDE诊断： FNO的傅里叶变换实现了r→∞的极端非局域——每个频率分量包含全域信息。这比传统有限元（r=0）进了一大步。但FNO的问题在于：（1）ω固定——网络架构预设了重叠模式（层数、通道数），不能自适应调整；（2）v不存在——FNO没有传播延迟的概念，每一层瞬间完成全域变换；（3）三态退化——训练好的FNO是纯秩序态的确定性映射，不包含混沌态或介生态。
SDE预测： FNO在光滑PDE上表现极好（因为全局耦合适合光滑场），但在含有尖锐特征的PDE上（激波、相变界面、裂纹）表现会下降——因为傅里叶基函数是全局光滑的，不能高效表示局部尖锐特征。真正的SDE版Neural Operator应该用伞基函数（局部+非局域+可重叠）替代傅里叶基函数——允许不同位置使用不同尺度的伞，自适应调整重叠度。
DeepONet的SDE诊断： DeepONet用branch net编码输入函数、trunk net编码输出位置，两者的内积给出输出。Branch net的"编码"实质上是把输入函数映射到一个有限维特征空间——这个特征空间就是纠缠的压缩表示。Trunk net的"位置编码"实质上是把空间位置映射到同一特征空间——让位置跟输入函数"在特征空间中纠缠"。
DeepONet的局限：branch和trunk的内积是线性的——纠缠耦合是线性叠加。真实的SDE纠缠可以是高度非线性的——伞的重叠不是简单加权平均，而是可能产生涌现效应。
14.5 案例：Physics-Informed Neural Networks的SDE升级方向
Physics-Informed Neural Networks（PINNs）是将物理方程作为约束加入神经网络训练的方法。
PINNs的基本思想： 训练一个神经网络u_θ(x,t)来近似PDE的解。损失函数包含两部分：数据拟合损失（u_θ跟观测数据的偏差）+ 物理约束损失（u_θ代入PDE后的残差）。训练过程同时最小化两者——使网络既拟合数据又满足物理方程。
SDE诊断： PINNs的物理约束是秩序态的——PDE方程是确定性的、局域的、连续的。这使得PINNs在描述秩序态物理（热传导、弹性变形、层流流动）时效果良好，但在描述含有混沌态或介生态的物理时（湍流、相变、裂纹扩展）效果下降。
SDE升级方向一：伞约束替代PDE约束。 不把局域PDE作为物理约束，而把伞场方程作为物理约束。伞场方程是非局域的——约束不只涉及u在x处的值和导数，还涉及x周围整个伞覆盖区域内的u的加权平均。这使得网络可以学到非局域的物理关系——远处的扰动直接影响此处。
SDE升级方向二：三态损失函数。 不只最小化均方误差（秩序态度量），还引入混沌态度量（解的随机性是否跟物理系统的实际随机性匹配？）和介生态度量（解是否在正确的位置涌现出正确类型的结构？）。具体实现可能需要对解进行多次采样（Monte Carlo）并比较采样分布跟物理系统的分布。
SDE升级方向三：自适应物理约束。 物理约束不是固定的——它根据训练过程中涌现的解特征动态调整。如果网络在某个区域开始涌现裂纹模式，物理约束自动从连续介质方程切换到断裂力学方程——约束本身在涌现中改变。这是最激进的升级——它要求"物理规律的选择"本身也是涌现的，而不是预设的。