关于随机微分方程（SDEs）与偏微分方程（PDEs）之间映射的非平凡实例的技术问询

嘿，这个问题问得相当有深度！除了你提到的Feynman-Kac公式（或称Kolmogorov向后方程）和黎曼流形上的Ricci流之外，确实存在不少非平凡的SDE-PDE映射实例，我给你梳理几个行业内常用且理论价值很高的：

• McKean-Vlasov SDE 对应非线性Fokker-Planck PDE
  McKean-Vlasov型SDE的核心特点是漂移项依赖于解的概率分布，这类方程直接对应非线性Fokker-Planck方程（也叫McKean-Vlasov PDE）。举个具体例子，若SDE形式为 dX_t = b(E[X_t])dt + σdW_t，那么对应的PDE就是关于概率密度函数 ρ(t,x) 的演化方程：

  ∂ρ/∂t = -∇·(b(∫yρ(t,y)dy)ρ) + (σ²/2)Δρ
  

  这种映射在群体行为建模、均值场博弈等领域是核心工具，完美解决了非线性概率分布演化的问题。

• 倒向随机微分方程（BSDE）与二阶拟线性PDE
  倒向随机微分方程（BSDE）和二阶拟线性PDE的对偶关系是近几十年随机分析领域的重要突破。比如，给定终端条件 Y_T = g(X_T)，BSDE的形式为 -dY_t = f(t,X_t,Y_t,Z_t)dt - Z_t·dW_t（其中 X_t 是前向SDE的解），对应的PDE则是：

  ∂u/∂t + L u + f(t,x,u,∇uσ) = 0
  

  终端条件为 u(T,x) = g(x)，这里的 L 是前向SDE对应的生成元。这种双向映射在随机控制、金融衍生品定价（比如美式期权）中应用极广，把PDE的解和BSDE的解 Y_t = u(t,X_t) 直接绑定，解决了很多传统PDE难以处理的带随机项的优化问题。

• 随机热方程与SDE的随机特征表示
  像随机热方程这类随机偏微分方程（SPDE），可以通过随机特征方法和SDE建立关联。比如线性随机热方程 ∂u/∂t = (1/2)Δu + uξ(t,x)（其中 ξ 是空间噪声），它的解可以表示为一族布朗运动SDE的期望：

  u(t,x) = E[exp(∫₀ᵗξ(s,X_s)ds)u₀(X_t)]
  

  这里的 X_s 是从 x 出发的标准布朗运动。这算是Feynman-Kac公式的推广，针对的是带空间随机噪声的SPDE场景，把高维随机系统的解转化为SDE的期望计算。

• HJB方程与受控SDE
  Hamilton-Jacobi-Bellman（HJB）方程是最优控制理论的核心PDE，它和受控SDE直接对应。假设我们有受控SDE dX_t = b(t,X_t,α_t)dt + σ(t,X_t,α_t)dW_t，目标是最小化代价函数 J(t,x,α) = E[∫ₜᵀf(s,X_s,α_s)ds + g(X_T)]，对应的HJB方程为：

  ∂u/∂t + inf_α{L^α u + f(t,x,α)} = 0
  

  终端条件 u(T,x) = g(x)，其中 L^α 是控制策略 α 对应的SDE生成元。这种映射是双向的：解出HJB方程就能得到最优控制策略，反之，通过受控SDE的期望也能构造HJB方程的粘性解，在机器人控制、金融风控等领域应用广泛。

这些实例都是各自领域里的核心技术，它们的SDE-PDE映射关系不仅在理论上打通了随机系统和偏微分方程的壁垒，在实际工程中也解决了很多单用SDE或PDE难以处理的复杂问题。

备注：内容来源于stack exchange，提问作者Jurek