软约束薛定谔桥：一种随机控制方法
内容提要
本文综述Schrödinger桥问题的数值求解与生成模型应用，涵盖固定点迭代、扩散SB、GSBM、非平衡扩散SB等方法，用于分布匹配、时间序列插补和单细胞分析，并探讨其与最优传输、随机控制及深度学习的联系。
延伸解读
方法演进：从固定点迭代到深度学习
文章梳理了Schrödinger桥数值求解的演进脉络：早期通过固定点递归迭代求解随机最优控制问题，2021年Diffusion SB将迭代比例拟合过程近似为连续状态空间概率化的Sinkhorn算法，2023年GSBM进一步引入变分近似和路径积分理论，提升了可扩展性与稳定性。这一路径显示，SB问题正从经典数值方法转向与深度学习结合的可扩展框架。
应用场景：分布匹配与单细胞分析
文章列举了SB方法的多类应用：概率时间序列插补中，基于逼近投影的算法能生成缺失值并达到业内最佳表现；非平衡扩散SB可模拟质量不守恒时的人口演化，用于分析癌症药物的单细胞响应和病毒变异传播；此外，SB还用于分布匹配和生成模型。这些应用表明SB在需要建模随机演化和分布迁移的场景中具有实用价值。
理论联系：最优传输与随机控制
文章指出SB问题与最优传输、随机控制有深刻联系。2014年研究从随机控制角度重新审视两者关系，并提出带先验的流体动力学版本最优传输问题；2023年工作则通过信息熵插值和KL散度定义参考分布与目标分布间的插值过程。这些理论进展为SB方法提供了更统一的数学视角，也提示读者关注不同框架间的等价性与转化条件。
收敛性与计算改进
针对线性SB问题，文章提到对收缩系数的新几何和控制理论解释，并指出通过对端点支持集进行预处理，可以改进最坏收缩系数的计算。2023年基于逼近投影的算法首次给出了收敛性分析。这些工作说明，SB数值求解的收敛性仍是核心挑战，而预处理和收敛分析是提升算法可靠性的关键方向。
Q&A
什么是薛定谔桥问题？
薛定谔桥问题是一个随机最优控制问题，给定初始状态密度，通过施加控制扩散和截止约束，寻找连接两个概率分布的随机过程。
薛定谔桥问题有哪些数值求解方法？
数值求解方法包括固定点递归迭代、扩散SB（Diffusion SB）、广义薛定谔桥匹配（GSBM）、非平衡扩散SB等。
扩散SB方法有什么特点？
扩散SB方法通过近似迭代比例拟合过程来处理薛定谔桥问题，具有广泛的适用性，是流形上Sinkhorn算法的连续状态空间概率化推广。
非平衡扩散薛定谔桥有什么应用？
非平衡扩散薛定谔桥可以模拟当端点是概率分布且质量未被守恒时的人口时间演化，应用于分析癌症药物的单细胞响应和病毒变异的传播过程。
薛定谔桥与最优传输有什么关系？
从随机控制角度重新审视，最优传输问题与薛定谔桥问题之间存在关系，并提出了带先验的流体动力学版本的最优传输问题。
薛定谔桥在生成模型中有哪些应用？
薛定谔桥可用于生成模型，如通过信息熵插值和薛定谔桥生成学习模型，使用深度评分估计器和深度密度比估计器得到漂移项，用于生成学习领域。
