问题背景
真实世界的动力学系统无时无刻不受噪声干扰——大气湍流、金融市场的随机冲击、生物神经元的热噪声。随机动力学将随机性从"误差"提升为系统的本质属性，通过严格的数学框架定量描述系统的演化概率与极端事件的风险。
核心理论
1. 随机微分方程（SDE）
伊藤（Itô）形式的随机微分方程将确定性漂移与随机扩散分离：
$$ d\mathbf{X}_t = \mathbf{f}(\mathbf{X}_t, t), dt + \mathbf{G}(\mathbf{X}_t, t), d\mathbf{W}_t $$
其中 $\mathbf{W}_t$ 为标准维纳过程（Brownian motion），满足 $d\mathbf{W}_t \sim \mathcal{N}(\mathbf{0},, dt\cdot\mathbf{I})$。
伊藤引理给出函数 $V(\mathbf{X}_t, t)$ 的随机变分：
$$ dV = \left(\frac{\partial V}{\partial t} + \nabla_x V \cdot \mathbf{f} + \frac{1}{2} \mathrm{tr}!\left[\mathbf{G}\mathbf{G}^\top \nabla^2_x V\right]\right) dt + \nabla_x V \cdot \mathbf{G}, d\mathbf{W}_t $$
2. Fokker-Planck 方程
系统状态的概率密度 $p(\mathbf{x}, t)$ 满足 Fokker-Planck（前向 Kolmogorov）方程：
$$ \frac{\partial p}{\partial t} = -\sum_i \frac{\partial}{\partial x_i}(f_i , p) + \frac{1}{2} \sum_{i,j} \frac{\partial^2}{\partial x_i \partial x_j}(D_{ij}, p) $$
其中扩散张量 $\mathbf{D} = \mathbf{G}\mathbf{G}^\top$。一维线性系统（Ornstein-Uhlenbeck 过程）的稳态解为高斯分布：
$$ p_{\mathrm{ss}}(x) = \sqrt{\frac{\theta}{\pi \sigma^2}} \exp!\left(-\frac{\theta x^2}{\sigma^2}\right) $$
3. 风险量化：首通时间与尾部概率
极端事件（如结构失效、金融暴跌）可描述为状态首次越过阈值 $b$ 的时间 $\tau_b$：
$$ \mathbb{E}[\tau_b \mid X_0 = x] = -\frac{1}{\lambda} \ln!\left(\frac{b - \mu_{\mathrm{ss}}}{x - \mu_{\mathrm{ss}}}\right) $$
对高维系统，超越概率（Exceedance Probability）的尾部估计借助鞍点近似或极值理论（EVT）：
$$ \mathbb{P}(\max_{t \in [0,T]} X_t > b) \approx 1 - \exp!\left(-\nu^+(b), T\right) $$
其中 $\nu^+(b)$ 为向上穿越率（Rice formula）：
$$ \nu^+(b) = \int_0^\infty \dot{x}, p(b, \dot{x}), d\dot{x} $$
4. 蒙特卡洛加速估计
朴素蒙特卡洛对低概率事件效率极差，**重要性采样（IS）**通过更改漂移项偏置采样：
$$ \mathbb{P}(A) = \mathbb{E}^{\mathbb{Q}}!\left[\mathbf{1}_A \cdot \frac{d\mathbb{P}}{d\mathbb{Q}}\right], \quad \frac{d\mathbb{P}}{d\mathbb{Q}} = \exp!\left(-\int_0^T \boldsymbol{\theta}_t^\top d\mathbf{W}^{\mathbb{Q}}_t - \frac{1}{2}\int_0^T |\boldsymbol{\theta}_t|^2 dt\right) $$
图示
图 1：从单一初始点出发的随机系统轨迹族。颜色从冷色（低概率路径）渐变为暖色（高概率路径），外包络线对应 95% 置信带，右侧概率密度条图显示终态分布的统计权重。
研究前沿与挑战
- 非高斯噪声：Lévy 飞行、Poisson 跳跃等非高斯驱动使 Fokker-Planck 方程升为分数阶积分-微分方程，解析解极为稀少。
- 高维诅咒：Fokker-Planck 数值求解在维度超过 5～6 时面临维度灾难，深度学习代理模型（如 DeepRitz、DGM）是突破方向。
- 数据驱动 SDE 辨识：从有限观测数据中自动识别漂移与扩散函数是当前开放问题，SAINDy 等稀疏辨识方法正快速发展。
参考延伸
- Gardiner, C. (2009). Stochastic Methods: A Handbook for the Natural and Social Sciences.
- Øksendal, B. (2013). Stochastic Differential Equations.
- Kloeden, P.E. & Platen, E. (1992). Numerical Solution of Stochastic Differential Equations.