微分方程：用方程描述變化的世界

為什麼一杯熱咖啡冷得越來越慢？

把一杯滾燙的咖啡放在桌上，它一開始冷得很快，過了一陣子卻變得不慍不火，遲遲降不下來。你也許注意過：放越久，溫度掉得越慢。這不是巧合，而是一條規律——咖啡降溫的「速度」並不是固定的，它取決於咖啡此刻比室溫高出多少。

換句話說，我們不知道「咖啡在第 30 分鐘是幾度」這個直接的答案，但我們知道一件更基本的事：溫度變化的快慢，由當下的溫度決定。能把這種「變化率」與「狀態本身」綁在一起的數學語言，就叫做微分方程（differential equation）。

微積分讓我們會算「變化率」$\dfrac{dy}{dx}$；微分方程則反過來——已知變化的規則，去還原出整個過程。這是描述世界如何隨時間演化的核心工具：從人口成長、放射性衰變、電路振盪，到行星軌道與流行病傳播，幾乎都寫成一條微分方程。

什麼是微分方程？

一個微分方程就是含有未知函數及其導數的方程式。未知的不是某個數字 $x$，而是一整個函數 $y(t)$。例如：

$$ \frac{dy}{dt} = -k\,y $$

這裡 $y(t)$ 代表某物質在時間 $t$ 的量，$k>0$ 是常數。方程式在說：「$y$ 減少的速度，與此刻的 $y$ 成正比。」我們要找的不是一個數，而是哪一個函數 $y(t)$ 能讓等式對所有 $t$ 都成立。

幾個常用術語先講清楚：

• 階數（order）：方程裡出現的最高階導數。$\dfrac{dy}{dt}=-ky$ 是一階；$\dfrac{d^2x}{dt^2}+x=0$ 是二階。
• 常微分方程（ordinary differential equation, ODE）：未知函數只有一個自變數（通常是時間 $t$）。
• 偏微分方程（partial differential equation, PDE）：未知函數有多個自變數，導數是偏導數，例如描述熱擴散的 $\dfrac{\partial u}{\partial t}=\alpha\dfrac{\partial^2 u}{\partial x^2}$。

本文聚焦最基礎也最實用的一階常微分方程。

解，不是一個，而是一族

回到咖啡。設咖啡溫度為 $T(t)$，室溫為 $T_{\text{env}}$。牛頓冷卻定律（Newton's law of cooling）說：降溫速度與溫差成正比，

$$ \frac{dT}{dt} = -k\,(T - T_{\text{env}}). $$

直覺上很合理：溫差越大冷得越快，溫差趨近於零時幾乎不再變化——這正解釋了「放越久冷得越慢」。

微分方程的一個重要特性是：它的解通常不只一個，而是一整族函數。$\dfrac{dy}{dt}=-ky$ 的解是

$$ y(t) = C\,e^{-kt}, $$

其中 $C$ 是任意常數。$C=1$、$C=5$、$C=100$ 都滿足方程。這個 $C$ 對應「一開始有多少量」。要鎖定唯一的解，需要一個初始條件（initial condition），例如 $y(0)=y_0$。代入得 $C=y_0$，於是

$$ y(t)=y_0\,e^{-kt}. $$

「微分方程 + 初始條件」合稱初值問題（initial value problem, IVP）。微分方程給出運動的「規則」，初始條件給出「起點」，兩者合起來才確定唯一的未來。這正是物理可預測性的數學寫照。

動手解一條：分離變數法

最容易上手的解法是分離變數法（separation of variables）：把含 $y$ 的項移到一邊、含 $t$ 的項移到另一邊，再兩邊積分。

看一個例子

解初值問題

$$ \frac{dy}{dt}=-k\,y,\qquad y(0)=y_0. $$

步驟一：分離變數。 把 $y$ 與 $t$ 拆開：

$$ \frac{1}{y}\,dy = -k\,dt. $$

步驟二：兩邊積分。

$$ \int \frac{1}{y}\,dy = \int -k\,dt \quad\Longrightarrow\quad \ln|y| = -k\,t + C_1. $$

步驟三：解出 $y$。 兩邊取指數，

$$ |y| = e^{-kt+C_1}=e^{C_1}e^{-kt}. $$

令 $C=\pm e^{C_1}$（吸收常數與正負號），得通解

$$ y(t)=C\,e^{-kt}. $$

步驟四：套用初始條件。 $y(0)=C\,e^{0}=C=y_0$，所以

$$ \boxed{\,y(t)=y_0\,e^{-kt}\,}. $$

這就是著名的指數衰減（exponential decay）。放射性物質的半衰期、藥物在血液中的代謝、電容放電，全是它的化身。

來個具體數字：某放射性同位素 $k=0.1\ \text{(每年)}$，初始 $y_0=200$ 克。問 10 年後剩多少？

$$ y(10)=200\,e^{-0.1\times 10}=200\,e^{-1}\approx 200\times 0.368 = 73.6\ \text{克}. $$

而它的半衰期（剩一半所需時間）滿足 $\tfrac12=e^{-k\,t_{1/2}}$，解得

$$ t_{1/2}=\frac{\ln 2}{k}=\frac{0.693}{0.1}\approx 6.93\ \text{年}. $$

動手試試

試著用同樣四步驟解牛頓冷卻方程 $\dfrac{dT}{dt}=-k(T-T_{\text{env}})$。提示：令 $u=T-T_{\text{env}}$，則 $\dfrac{du}{dt}=\dfrac{dT}{dt}=-k\,u$，問題就化成你剛解過的形式。答案會是

$$ T(t)=T_{\text{env}}+(T_0-T_{\text{env}})\,e^{-kt}. $$

驗證一下兩個極端：$t=0$ 時 $T=T_0$（正確）；$t\to\infty$ 時 $T\to T_{\text{env}}$（咖啡終究降到室溫，符合直覺）。

當成長不再無限：邏輯斯諦方程

純指數模型有個盲點。若把人口成長寫成 $\dfrac{dP}{dt}=rP$，解是 $P=P_0e^{rt}$，意味人口會無限暴增——但現實中資源有限，成長終會放緩。邏輯斯諦方程（logistic equation）修正了這點：

$$ \frac{dP}{dt}=r\,P\left(1-\frac{P}{K}\right). $$

這裡 $K$ 是環境承載量（carrying capacity）。當 $P$ 很小，括號接近 1，成長近似指數；當 $P$ 接近 $K$，括號趨近 0，成長踩煞車。它的解是優雅的 S 形曲線（sigmoid）：

$$ P(t)=\frac{K}{1+A\,e^{-rt}},\qquad A=\frac{K-P_0}{P_0}. $$

這條方程同時是流行病學 SIR 模型、新產品市場滲透、神經網路 activation 函數背後的共同骨架。它示範了一件深刻的事：只要在「變化規則」裡加一點非線性，行為就會從爆炸轉為飽和。

不必解也能看懂：方向場與平衡點

有些微分方程根本沒有漂亮的公式解。好消息是，我們常常不需要解出來，也能掌握行為——這就是定性分析（qualitative analysis）的威力。

對一階自治方程 $\dfrac{dy}{dt}=f(y)$，在平面上每一點畫一條斜率為 $f(y)$ 的小線段，就得到方向場（direction field）；解曲線必沿著這些線段流動。

特別重要的是平衡點（equilibrium）：使 $f(y)=0$ 的 $y$ 值，在那裡 $\dfrac{dy}{dt}=0$，系統靜止不動。以邏輯斯諦方程為例，$rP(1-P/K)=0$ 給出 $P=0$ 與 $P=K$ 兩個平衡點。

• 在 $P=K$：稍微偏離也會被拉回 $K$，這是穩定（stable）平衡。
• 在 $P=0$：只要有一點族群，就會遠離 0、奔向 $K$，這是不穩定（unstable）平衡。

判別法簡單：若 $f'(y^\*)<0$ 則 $y^\*$ 穩定；若 $f'(y^\*)>0$ 則不穩定。光靠這個，不必求解就知道「人口長期會穩定在承載量 $K$」。

重點回顧

• 微分方程把「變化率」與「狀態」綁在一起：未知的是一整個函數 $y(t)$，方程描述它如何隨時間演化。
• 解是一族函數，含任意常數；加上初始條件構成初值問題，才鎖定唯一解。
• 分離變數法是一階方程最基本的解法：分離、積分、解出、代入初始條件四步驟。
• 指數衰減 $y=y_0e^{-kt}$ 與邏輯斯諦 S 形曲線是描述自然界最常見的兩種變化模式；非線性帶來飽和行為。
• 定性分析（方向場、平衡點、穩定性）讓我們在無法求出公式解時，仍能掌握長期行為。

深入探討（研究所視角）

存在唯一性的理論基礎。 我們一直假設初值問題「有唯一解」，但這需要證明。Picard–Lindelöf 定理指出：若 $f(t,y)$ 在某區域連續，且對 $y$ 滿足Lipschitz 條件 $|f(t,y_1)-f(t,y_2)|\le L|y_1-y_2|$，則初值問題 $y'=f(t,y),\,y(t_0)=y_0$ 在 $t_0$ 附近存在唯一解。證明的核心是把微分方程改寫成積分方程 $y(t)=y_0+\int_{t_0}^t f(s,y(s))\,ds$，並對映射 $(\mathcal{T}y)(t)=y_0+\int_{t_0}^t f(s,y(s))\,ds$ 套用Banach 不動點定理——$\mathcal{T}$ 在適當的函數空間上是壓縮映射，其唯一不動點即為解。少了 Lipschitz 條件，唯一性可能崩潰：$y'=y^{2/3},\,y(0)=0$ 同時有 $y\equiv 0$ 與 $y=(t/3)^3$ 兩組解。

線性系統與相空間。 高階與耦合方程可化為一階向量系統 $\dot{\mathbf{x}}=A\mathbf{x}$，其中 $\mathbf{x}\in\mathbb{R}^n$。解由矩陣指數給出：

$$ \mathbf{x}(t)=e^{At}\,\mathbf{x}(0),\qquad e^{At}=\sum_{n=0}^\infty \frac{(At)^n}{n!}. $$

系統的長期行為完全由 $A$ 的特徵值（eigenvalue）決定：特徵值實部為負則解衰減、為正則發散、為純虛數則振盪。例如簡諧振子 $\ddot{x}+\omega^2 x=0$ 對應特徵值 $\pm i\omega$，給出 $x(t)=C_1\cos\omega t+C_2\sin\omega t$ 的振盪解。這把微分方程與線性代數緊密接合，也是控制理論（control theory）判斷系統穩定性的標準工具。

非線性、混沌與動力系統。 一旦進入非線性，全域解析解往往不存在，研究重心轉向動力系統（dynamical systems）的幾何：固定點、極限環（limit cycle）、分歧（bifurcation）。著名的Lorenz 系統

$$ \dot{x}=\sigma(y-x),\quad \dot{y}=x(\rho-z)-y,\quad \dot{z}=xy-\beta z $$

僅三條一階方程，卻展現對初始條件的敏感依賴——蝴蝶效應，這是混沌（chaos）的數學起點，也說明了為何長期天氣無法精準預報。

跨領域連結。 微分方程是現代科學的通用語。偏微分方程支撐物理三大方程——熱方程、波方程、Laplace 方程——以及量子力學的 Schrödinger 方程與電磁學的 Maxwell 方程組。在機器學習中，Neural ODE 把殘差網路視為連續深度的微分方程；擴散模型（diffusion model）的生成過程本質是一條隨機微分方程（SDE）的逆向求解。當解析解失效，數值方法（Euler 法、Runge–Kutta 法、有限元素法）接手，讓我們得以用電腦模擬從氣候到星系的演化。理解微分方程，等於握住了一把開啟眾多學門的鑰匙。