显式格式中高阶差分对稳定性的影响及原因问询

你提的这个问题在数值PDE和神经求解器的长时序模拟里特别值得深究，你已经抓住了步长限制这个核心点，其实还有几个关键原因会导致显式自回归框架下高阶时间差分的稳定性恶化：

• 数值色散与耗散的失衡：高阶差分格式往往为了追求更高的精度，被设计成低耗散但色散特性复杂的形式。在显式自回归的滚动模拟中，不同频率的波分量会因为色散以不同速度传播，误差会在这些模态之间不断耦合放大，尤其是高频分量很容易突破稳定边界，最终引发误差的指数增长。
• 放大因子的模值超标：用冯·诺依曼稳定性分析来看，高阶差分对应的误差放大因子（每个时间步后误差的放大倍数）表达式会更复杂。很多时候，即使你把时间步长缩小到满足基础的CFL条件，某些高频模态的放大因子模值仍然会大于1，这些模态的误差每一步都会被放大，最终导致整个解发散。
• 历史误差的累积反馈：显式自回归依赖前几步的计算结果来推导下一步，高阶差分需要用到更多历史时刻的数值解。每一步的截断误差、舍入误差都会被带入后续计算，而且高阶格式对历史误差的敏感度更高，相当于给误差提供了更多的“反馈路径”，随着模拟步数增加，误差就会指数级累积。
• 非线性项引发的不稳定：如果求解的PDE本身是非线性的，高阶差分在离散化非线性项时，可能会引入额外的非线性相互作用。在滚动模拟过程中，这些相互作用会不断激发新的不稳定模态，尤其是当解出现陡峭梯度或者激波时，高阶格式的稳定性会比低阶格式差很多。

你提到的论文段落里的结论也精准点出了这个问题：

using higher-order differences [in time] within an explicit autoregressive scheme is known to deteriorate the rollout stability and introduce exponentially increasing errors over time.

备注：内容来源于stack exchange，提问作者user572780