带约束的概率数值方法：高斯过程求解线性PDE的新突破

从等式条件到不等式约束：概率数值方法的缺口

高斯过程（Gaussian Process, GP）求解器近年来在求解线性偏微分方程（PDE）领域展现出独特价值。与传统数值方法只给出点估计不同，GP 求解器返回的是后验分布，能够自然量化解的不确定性。这一特性在物理信息建模、金融定价和环境监测等场景中尤为重要。

但现有方法存在一个长期被忽视的局限：它们只能在等式信息上进行条件化处理，包括 PDE 残差、边界数据和观测测量。然而现实中许多解还需要满足不等式约束——非负性、单调性、无套利条件等。这些约束是等式条件化无法直接施加的。换句话说，传统 GP 求解器可能给出在数学上满足方程、却在物理或经济意义上不可接受的解（比如出现负的浓度值或违反无套利原则的期权价格）。

高斯过程求解器属于"概率数值方法"（Probabilistic Numerics）这一更广泛框架的组成部分。该框架将数值计算本身视为统计推断问题：算法不再返回单一数值，而是返回一个后验分布，反映因离散化、有限观测或模型误差带来的不确定性。在 PDE 求解中，标准做法是将 GP 先验施加在解函数上，再将 PDE 算子作用于先验，把方程残差和边界条件当作"观测"来更新后验——这与贝叶斯线性回归在函数空间的推广在数学结构上完全一致。虚拟点（virtual points）是这一框架的重要工具：在没有真实观测的区域人为放置"伪观测点"，用于传递结构性先验知识（如单调性或非负性），使约束信息能以等式/不等式观测的形式进入推断流程，而无需重新设计求解器的核心结构。

核心理论：联合条件化等价于序贯条件化

这项研究的理论贡献在于证明了一个关键等价关系：对高斯过程先验同时在线性等式观测和有限维不等式事件上进行联合条件化，等价于在解空间的 Borel 测度意义下进行序贯条件化。

这个结论的实际意义非常直接。它意味着物理信息后验（physics-informed posterior）本身就是不等式更新的一个有效先验。因此，研究者可以先按照常规方式完成 PDE 的等式条件化，再在**虚拟点（virtual points）**上施加不等式约束的更新，而两个步骤都无需对原有流程做任何修改。

由此得到的联合分布虽然不再是高斯分布，但依然是可计算的——通过截断高斯矩（truncated-Gaussian moments）即可求得。这种设计巧妙地保留了 GP 方法的解析优势，同时扩展了其表达能力。更重要的是，等式后验测度下噪声虚拟约束事件的概率，提供了一个在更新前衡量解与指定边界吻合程度的诊断指标。

截断高斯分布（Truncated Gaussian）是将多元高斯分布限制在某个凸多面体区域（即不等式约束所定义的可行域）上的分布。其矩（均值和协方差）没有封闭解析形式，通常需借助拟蒙特卡洛采样、Mini-max tilting 算法或变分近似等方法来计算。在低维情形下这些方法效率较高，但随维度上升计算代价显著增加。本文所称"截断高斯矩"正是利用这一工具来表示施加不等式约束后的后验统计量，从而在保留 GP 框架可解析性的同时纳入不等式信息。等式条件化后的高斯后验为截断操作提供了已知的均值与协方差，使截断步骤的计算仅作用于有限维的虚拟点投影，有效控制了计算规模。

三个真实场景的实验验证

研究在三类不同的问题上验证了该构造的有效性，覆盖了物理、金融和环境三大领域。

Poisson 方程重建

在二维 Poisson 基准测试中，当边界数据不完整时，施加单调性约束使重建误差降低了 63%。这表明在信息缺失的条件下，先验的结构性约束能够有效补偿数据的不足。

S&P 500 期权定价曲面

在真实的标普 500 期权链上，研究者将数据稀疏化到仅保留 20 个报价。引入无套利约束后，留出集的外推误差降低了 22%，而日历套利（calendar-arbitrage）发生率从 10% 降至 1%。对于金融应用而言，这不仅提升了精度，更重要的是保证了定价曲面的经济合理性。

无套利条件（no-arbitrage conditions）是期权定价中的基本经济约束，用于排除无风险套利机会。对于欧式看涨期权价格曲面，常见的无套利约束包括：价格关于行权价的单调递减性（静态套利）、关于到期时间的单调递增性（日历套利），以及关于行权价的凸性（蝶式套利）。日历套利（calendar arbitrage）特指同一标的、同一行权价但不同到期日的期权之间违反时间单调性的定价错误——即短期期权价格高于长期期权，这在无摩擦市场中意味着可以构造零成本的确定性盈利组合。在数据稀疏时，插值或回归模型极易产生违反上述约束的曲面，导致定价模型在实际应用中不可用。

空气质量场

在四组真实空气质量快照数据上，施加非负性约束后，在监测站点最稀疏的情况下，基于高斯矩的"低于零尾部"代理指标降低了 74%。这意味着模型给出负浓度（物理上不可能）的风险被大幅压缩。

不同数据条件下的表现差异

值得关注的是，均值精度的改善与约束诊断指标在不同数据条件（data regimes）下表现并不一致。这提示约束的收益高度依赖于具体问题的数据丰富程度与约束类型。在数据稀疏或边界信息不完整时，约束带来的提升往往最为显著；而在数据充分时，约束更多起到保证可接受性（admissibility）的作用，而非大幅提升精度。

这种差异化的表现本身就是一个有价值的研究发现，它为实践者判断何时应当引入约束、引入何种约束提供了经验参考。

意义：把可接受性从后处理变为条件信息

这项工作最本质的转变在于：它把解的可接受性（admissibility）从传统的后处理步骤，转变为概率 PDE 求解器的条件化信息。

以往的做法往往是先求解再做投影或裁剪，强行把违反约束的解拉回可行域，这种事后修正可能破坏解的统计一致性。而本文的方法将约束直接融入推断过程，使得最终的后验分布本身就尊重这些约束。这不仅在理论上更优雅，在实践中也更可靠——约束信息成为了求解过程的有机组成部分，而非外部补丁。

对于需要同时兼顾数学正确性与物理/经济合理性的工程与科学应用，这类带约束的概率数值方法提供了一条兼顾不确定性量化与硬性约束的新路径。