数学前沿 II · 奇异 SPDE：为什么随机方程需要重整化

先把噪声磨平再计算，为什么答案还会不断漂走？

1. 难点出现在乘法，而不只是随机性

粗糙界面高度常用形式方程

描述，其中 \(\xi\) 是时空白噪声。这是 KPZ 方程的一种系数归一化。白噪声不是每一点都有普通数值的函数：它通过对测试函数的积分定义，满足 \(\mathbb E[\xi(\varphi)\xi(\psi)]=\int\varphi\psi\)。

热核能平滑输入，却未必平滑到可以逐点相乘。在一空间维，相关随机卷积的空间正则性约为 \(1/2\) 以下，导数约为 \(-1/2\) 以下；因此 \((\partial_xh)^2\) 不能按普通函数平方直接解释。先卷积光滑噪声 \(\xi_\delta\) 会得到可计算方程，但当尺度 \(\delta\downarrow0\)，额外项可能发散。Hairer 的 KPZ 工作建立了可控制近似的解概念，不能用“网格够细就好”代替。KPZ 原始论文

2. 一个能算到底的模型：平方的均值从哪里来

令 \(Z\sim N(0,1)\)，\(X=\sqrt C\,Z\)，其中 \(C>0\) 是方差。Gaussian 矩给出 \(\mathbb E[X^2]=C\)、\(\mathbb E[X^4]=3C^2\)。定义 Wick 平方

它减去已知的自收缩项，均值变为零。然而

减掉常数不会改变方差。若 \(C\) 随分辨率增长，中心化后的随机量仍可能越来越大。“均值归零”既不是“噪声消失”，也不是“已经证明收敛”。

更系统的定义来自生成函数

比较系数得到 \(:X^3:=X^3-3CX\)。三次非线性的修正是线性项，不是简单减一个常数。这个代数计算开始解释为什么重整化后的随机方程会出现新的低阶项。

3. 从单个随机数到随机分布

真正的 SPDE 涉及彼此相关的中心 Gaussian 场 \(X_\delta(x)\)。记协方差为 \(G_\delta(x,y)\)；平稳情形下 \(C_\delta=G_\delta(x,x)\) 不依赖 \(x\)。Gaussian 配对公式给

因此，对光滑紧支撑测试函数 \(\varphi\)，中心化平方积分的方差是

这次控制对象是整个协方差核。二维对数型奇点的平方局部可积，因为 \(\int_0^1r(\log r)^2dr<\infty\)；这说明为何某些 Wick 场在测试函数下可能有良好极限，即使逐点方差发散。要证明收敛，还需同一耦合下不同截断的协方差估计和 Cauchy 性，上式本身并未完成证明。下一步可在Wick 平均与 L² 极限中完整证明一个 Fourier 场的常数测试函数配对收敛：先利用正交性消去交叉项，再估计跨截断的独立尾和。这仍不替代任意测试函数下的随机分布收敛。

反过来，若把场换成所有位置共享同一个 \(X_\delta\)，则积分只是 \((\int\varphi)(X_\delta^2-C_\delta)\)，方差仍随 \(C_\delta^2\) 发散。空间平均不是自动有效；相关结构决定结果。

4. 正则性结构怎样扩充 Taylor 展开

光滑函数在点 \(x\) 附近用 \(1,(y-x),(y-x)^2\) 描述。奇异方程需要额外“基元”：噪声符号 \(\Xi\)、热核积分 \(\mathcal I(\Xi)\)，以及由它们形成的非线性组合。给每个符号分配正则性次数，组成分级空间 \(T=\bigoplus_\alpha T_\alpha\)。

形式符号还不是随机场。一个模型用 \(\Pi_x\) 将符号解释为实际分布，用 \(\Gamma_{xy}\) 将点 \(y\) 的展开换到点 \(x\)。解先写成取值于 \(T\) 的局部展开 \(F(x)\)，再由重构算子 \(\mathcal R\) 合成分布。重构定理的关键估计形如

其中 \(\varphi_x^\lambda\) 是在 \(x\) 附近按所选尺度缩放的测试函数。它要求局部展开在小尺度上一致拼接；不是只给符号起名字。对模型重整化、证明模型收敛，再利用解映射的连续性，才把光滑近似连到极限解。Hairer 的正则性结构理论

以三维 \(\Phi^4\) 动力学的形式式子 \(\partial_tu=\Delta u-u^3+\xi\) 为例，光滑近似会加入依赖截断的线性反项。Wick 三次方提示其中一种来源，但完整 \(\Phi^4_3\) 还涉及更高阶修正；本讲的单个 Gaussian 计算并未证明该方程存在唯一解。

5. 为什么必须检查“次临界”

热方程按时间权重 2、空间权重 1 缩放。\(d\) 维空间的时空白噪声正则性约为 \(-(d+2)/2\)，热核积分提升 2，故线性随机卷积约有 \(\alpha=(2-d)/2\) 的正则性，严格估计通常还要略减一点。

三次项经积分后的形式次数为 \(3\alpha+2\)。要比起始粗糙度更好，要求 \(3\alpha+2>\alpha\)，即 \(d<4\)。这是 \(\Phi^4\) 的次临界尺度判断；\(d=4\) 在临界边界，不能把同一套局部次临界结论直接搬过去。次数账本给出路线，乘法、随机估计与重构才完成严格工作。

三次项均值本来就是零，为什么仍要减去 3CX？

若只要求中心化，\(X^3\) 已经满足 \(\mathbb E X^3=0\)。但它仍混有与线性变量 \(X\) 同方向的部分。把随机变量看成带内积 \(\langle U,V\rangle=\mathbb E[UV]\) 的向量，寻找最接近 \(X^3\) 的线性项 \(\alpha X\)：

\(C>0\) 时唯一最优系数为 \(\alpha=3C\)，余项 \(:X^3:\) 与 \(X\) 正交，因为 \(\mathbb E[X(X^3-3CX)]=3C^2-3C^2=0\)。这给出了低阶反项的一个可检查理由：它去除指定 Gaussian 内积中的低阶成分，而不仅是把均值平移到零。

\(C=2\) 时，原 \(X^3\) 的方差为 120，投影项 \(6X\) 的方差为 72，余项方差为 48；正交性使 \(120=72+48\)。投影减少这个单变量的均方大小，仍不保证随截断增长的场会收敛。

6. 两道迁移题

题 1。 \(X\sim N(0,C)\)。求 \(Y=X^3-3CX\) 的均值与方差，判断它是否因为中心化而在 \(C\to\infty\) 时保持有界方差。

题 2。 两种近似采用反项 \(C_\delta\) 与 \(C_\delta+c\)，其中 \(c\) 是固定常数。如果第一种 Wick 平方收敛到随机分布 \(Y\)，第二种会收敛到什么？这说明什么？

7. 从个别修正到系统方法

正则性结构的代数重整化用装饰树组织嵌套的奇异乘积，避免每个方程都凭经验猜反项。2025 年首发、2026 年修订的 flow 方法研究进一步核对其重整化与 BPHZ 方案的联系。这是方法之间的结构比较，不等于所有临界或超临界方程已经解决。

以下一手来源均于 2026-09-08 实际访问；列出原始日期与所查状态，未作最新工作的穷尽检索。

• Hairer，Solving the KPZ equation：首发 2011-09-30，所查修订 2012-07-26；严格的路径式解与近似理论。
• Hairer，A theory of regularity structures：首发 2013-03-20，接受稿修订 2014-02-15；重构、随机模型与重整化解理论。
• Bruned、Hairer、Zambotti，Algebraic renormalisation of regularity structures：首发 2016-10-26，修订 2018-11-19；系统构造装饰树与 BPHZ 型代数重整化。
• Bruned、Minguella，Renormalisation in the flow approach for singular SPDEs：首发 2025-04-07，修订 2026-05-24；所查页面标注待刊 Annals of Probability，比较 flow 与正则性结构的重整化方案。