[论文解读] Regularity of Second-Order Elliptic PDEs in Spectral Barron Spaces

Ziang Chen, Liqiang Huang+2 more|arXiv (Cornell University)|Feb 22, 2026

Model Reduction and Neural Networks被引用 0

一句话总结

论文证明了在 R^d 上的一般二阶椭圆偏微分方程的 Barron 空间正则性定理，在温和的椭圆性和小性假设下，解在光谱 Barron 正则性方面提升两个数量级，并利用余弦激活的两层网络得到与维度无关的神经网络近似结果。

ABSTRACT

We establish a regularity theorem for second-order elliptic PDEs on $\mathbb{R}^{d}$ in spectral Barron spaces. Under mild ellipticity and smallness assumptions, the solution gains two additional orders of Barron regularity. As a corollary, we identify a class of PDEs whose solutions can be approximated by two-layer neural networks with cosine activation functions, where the width of the neural network is independent of the spatial dimension.

研究动机与目标

• 驱动高维偏微分方程的求解及其挑战，特别是维度灾难，并将 Barron 空间与神经网络近似联系起来。
• 在 R^d 上具有变系数的一般二阶椭圆偏微分方程中确立 Barron 空间正则性。
• 量化在对系数满足特定假设时解在 Barron 正则性方面提升的两个数量级。
• 通过带维度无关宽度的两层余弦激活网络，将正则性结果与神经网络近似联系起来。

提出的方法

• 定义谱 Barron 空间 B^s，范数 ||g||_{B^s} = 2^{s/2} ∫ |ĝ(ξ)|(1+||ξ||^2)^{s/2} dξ，并证明它们构成 Banach 代数。
• 将主导系数 A(x) 分解为常数部分 M 和一个小的 Barron 扰动 E(x)，以处理变系数。
• 在 B^s 中应用 Banach 不动点定理，得到算子 (α+β·∇−∇·A(x)∇)u=f 的存在性和正则性。
• 通过 Kolmogorov–Riesz 判定非线性算子 T 的紧性，并利用 Fredholm 思路在 B^{s+2} 中获得可解性与先验估计。
• 将 Barron 正则性与现有的两层余弦激活网络近似定理结合，推导维度无关的神经网络近似结果。
• 给出一个明确例子，说明在小 Barron-范数扰动下的维度无关神经元数目。

实验结果

研究问题

• RQ1 在何种条件下，R^d 上的一般二阶椭圆偏微分方程的解属于具有受控范数的谱 Barron 空间？
• RQ2 当主导系数可变但分解为占优的常数部分和一个小的 Barron 扰动时，如何定量解的 Barron 正则性提升？
• RQ3 用带余弦激活的两层神经网络近似 Barron 正则解是否存在维度无关（或维度鲁棒）的速率？
• RQ4 小的 Barron-范数扰动如何影响椭函数性以及由此产生的正则性和近似性质？

主要发现

• 若 f ∈ B^s，唯一解 u* 满足 -∇·(A(x)∇u) + b(x)·∇u + c(x)u = f，且 u* ∈ B^{s+2}，有范数界 ||u*||_{B^{s+2}} ≤ C||f||_{B^s}。
• 常数 C 依赖于 α、β、M，以及 E、w、v 的 Barron 范数与 s；在更强的假设 (A3’) 下，C 可以是显式且维度无关。
• 解可以被余弦激活的两层神经网络近似，且在系数与 f 满足 Barron-范数界时，神经元数量与空间维度无关。
• 若 A(x) = M + E(x) 且 ||E||_{B^{s+1}} 较小，分析可将变系数 PDE 化为常系数框架加上可控扰动。
• 一个实际例子显示了维度无关界：在单位体积区域内，网络至多 n = ceil(36 ε^{-2}) 个神经元即可实现 H^2 误差 ε（示例 1.1）。
• 推论表明在假设 (A3’) 下，近似所需的神经网络宽度维度无关，将 Barron 正则性直接与实用的 NN 近似联系起来。