新证明：ResNet能以多项式级参数逼近半线性热方程解，突破维度诅咒
arXiv论文给出严格数学证明，残差神经网络逼近高维半线性热方程解所需参数随维度d和精度 ε 呈多项式增长，不再受维度指数爆炸限制。
AI解读：高维偏微分方程的数值求解一直受困于“维度诅咒”：传统方法所需的计算量随维度指数增长，维度稍高就难以承受。这篇arXiv论文从数学上严格证明，残差神经网络（ResNet）可以克服这一障碍——在逼近一类半线性热方程的解时，所需参数数量随维度d和误差要求 ε 只呈多项式增长（如显式界Cξ·d^(4+ξ)·ε^(−(3+ξ))），而不是指数增长。这意味着，对这类方程，用ResNet做数值近似在理论上具有可扩展性，不会因维度升高而彻底失效。不过，结论目前局限于方程形式为半线性热方程、非线性项全局Lipschitz且不依赖梯度的特定条件，且需要初始条件满足岭和形式、激活函数为容许的S型函数等假设。对实际研究人员而言，这给出的是理论可行性依据，不是可直接运行的算法；若你正尝试用神经网络求解高维抛物型方程，这一结果支持你继续沿ResNet方向探索，但仍需通过实验验证实际效果。
arXiv上一项新研究（论文编号arXiv:2609.03626）证明，残差神经网络（ResNet）在逼近一类半线性热方程的解时，可以克服维度诅咒：所需的网络参数数量随维度d和误差 ε 呈多项式级增长，而非指数爆炸。该论文由Ilkhon Mukhammadiev和Diyora Salimova撰写，属于数值分析（math.NA）方向，同时涉及机器学习、PDE分析与概率论，9 月 3 日提交至arXiv。
定理条件与显式参数上界
论文针对的半线性热方程满足两个条件：非线性项是全局Lipschitz连续且不依赖于梯度。在此前提下，作者假设PDE数据满足多项式增长和网络可逼近性条件，证明存在常数 η∈(0,∞)，使得对任意维度d和误差 ε∈(0,1]，都能构造ResNet Ψ_{d,ε}，其参数数量不超过 η·d^η·ε^(−η)，而该网络的实现能以L2误差不超过 ε 的精度逼近对应维度的方程解。
当初始条件取岭和（ridge-sum）形式、激活函数为容许的S型（sigmoidal）函数、非线性项经过全局Lipschitz截断时，论文给出显式参数上界：对任意 ξ>0，所需参数数量不超过Cξ·d^(4+ξ)·ε^(−(3+ξ))，其中Cξ 是依赖于 ξ 的常数。
证明思路：用ResNet实现多级Picard估计器
论文的证明构造了一个确定性的多级Picard（multilevel Picard）估计器，并用ResNet的特定结构来实现它：shortcut连接负责传递空间变量和一个标量累加器，残差分支则依次把估计器的各个加项加入结果。这样每一个确定性实现都对应一个可训练的ResNet，从而将PDE近似问题转化为网络表达能力问题。
作者在摘要中强调，此前已有严格结果表明前馈神经网络（feedforward networks）能克服高维PDE数值近似的维度诅咒，但在非线性PDE场景下，关于ResNet的严格结论相对较少。本研究填补了这一空白，把ResNet的残差结构用于非线性方程的近似，并给出了严格的参数-误差-维度关系。