基于物理信息的神经网络,为可积分数非线性薛定谔方程提供数据驱动的解决方案和非线性动力学分析
《Applied Mathematics and Computation》:Data-driven solutions and nonlinear dynamics for the integrable fractional nonlinear Schr?dinger equation via physics-informed neural networks
【字体:
大
中
小
】
时间:2026年05月05日
来源:Applied Mathematics and Computation 3.4
编辑推荐:
王杰毅 | 杨云清
浙江科技大学理学院,杭州,310023,中国
**摘要**
通过结合傅里叶特征映射和分数拉普拉斯算子的谱方法,开发了一个深度学习框架,有效研究了可积分数非线性薛定谔方程的数据驱动解和非线性动力学。该框架的损失函数包含了数据项、初始值约束以及分数偏
王杰毅 | 杨云清
浙江科技大学理学院,杭州,310023,中国
**摘要**
通过结合傅里叶特征映射和分数拉普拉斯算子的谱方法,开发了一个深度学习框架,有效研究了可积分数非线性薛定谔方程的数据驱动解和非线性动力学。该框架的损失函数包含了数据项、初始值约束以及分数偏微分方程的残差,并通过自适应加权增强了训练的稳定性。同时,还探讨了相应的逆问题,即数据驱动的参数估计。在多个分数参数(ε=0.2, 0.5, 和 0.8)下的系统实验验证了该方法的有效性和准确性。这一发现为解决分数系统问题提供了一个通用框架,架起了数据驱动学习与分数数学物理之间的桥梁。
**引言**
构建精确的非线性波动解并研究相应的非线性动力学对于揭示各种物理非线性现象的理论机制至关重要。尽管经典的解析技术(如逆散射变换[1]、黎曼-希尔伯特问题[2],[3]、Darboux变换[4],[5],[6]、B?cklund变换[7]和Hirota方法[8]在处理可积方程时非常有效,但它们在应用于非可积系统时存在局限性。为了解决这个问题,人们提出了一些复杂的数值方法,包括有限差分法[9]、有限元法[10]和谱方法[11]来弥补这一缺陷。然而,虽然这些传统数值方法精度很高,但它们通常需要密集的网格划分,并面临高计算成本、边界敏感性和高维数据稀疏性等挑战。Raissi等人[12]提出的物理信息神经网络(PINNs)通过将偏微分方程直接嵌入神经网络的优化过程中,克服了这些限制。这种无网格方法为研究非线性波动现象开辟了新的途径。类似地,陈的方法将可积系统与深度学习相结合,用于分析非线性薛定谔(NLS)方程中的局部非线性波动及其演化[13],[14],[15]。这种方法已被扩展到其他可积系统的研究中。马等人提出了多层神经网络模型,用于确定不同类型的孤子解[16]。吕等人改进了PINNs[17],并将其应用于流体力学[18]、非线性光学[19],[20]和智能交通[21]等领域的数据驱动解和非线性动力学研究。
同时,深度学习在处理分数偏微分方程(PDE)方面的应用也受到了广泛关注。庞等人[22]引入了分数PINNs(fPINNs),采用混合方法结合自动微分和数值离散化来处理分数导数。吴等人设计了多层神经网络,并在数据驱动中使用了分数差分方程[23]。张等人[24]通过Spectral-fPINNs提高了空间精度,而王等人[25]将fPINNs应用于时分数相场模型以捕捉记忆效应。为了应对求解分数扩散方程的额外挑战,闫等人[26]提出了Laplace-fPINNs方法,该方法能够高效地解决该方程的正问题和逆问题。结果充分证明了深度学习在处理分数问题时的准确性和有效性。
分数非线性薛定谔(fNLS)方程是标准NLS方程的扩展,它包含了Riesz分数导数[27],定义为:
(??2/?x2)?/2Ψ = 1/(2π∫?∞?∞ dp |p|?∫?∞?∞ dξ e?˙(x?ξ)Ψ(ξ),
常用于模拟分数介质中的超色散传输,并能预测比传统系统中传播更快的稳定孤子,同时保持其形状和振幅。Riesz导数保留了整数阶拉普拉斯算子的许多优良特性,例如可以通过多种等效公式定义,包括傅里叶乘子、奇异积分或半群生成器。该算子在实轴上定义明确,同时也自然扩展到d维欧几里得空间R?,使其成为处理高维问题的强大工具。基于这些特性,Riesz导数在分数量子力学中发挥着核心作用,用于构建空间分数薛定谔方程。这些方程描述了涉及长程相互作用和非局部关联的复杂量子现象,从而将标准量子力学的理论框架扩展到了更广泛的领域。
最近,Ablowitz研究了广义的fNLS方程[28],该方程包含分数导数以模拟异常色散和长程相互作用,其表达式为:
??/?t = |(??x2)?/2|?xx + 2|?|2?|,其中?(x, t)表示波函数,|(??x2)?/2|?是Riesz分数导数,?控制非局部效应的程度。Riesz分数导数引入了非局部色散,并且由于取决于?的不同,也可以作为耗散项,从而导致振幅衰减。当?=0时,方程简化为标准NLS方程。同时,fNLS方程的可积性已在以下三个方面得到证明:完备性;为分数导数修改的色散关系;以及逆散射变换。这些原则为推导精确的分数孤子解和预测其传播速度提供了框架,特别是在光纤和多孔介质等复杂系统中。
尽管PINNs已被广泛用于求解NLS方程[29],[30],但将其扩展到fNLS方程仍具有挑战性。分数拉普拉斯算子本质上具有非局部特性, conventional的密集矩阵离散化方法成本高且占用大量内存,在高分辨率下不可行。需要构建可以表示为(x, t)的连续神经函数的解,其中时间导数可以通过自动微分获得,空间非局部性可以在傅里叶域中完全处理,从而避免构建密集矩阵。这种架构结合了伪谱方法的全局精度和神经表示的参数连续性,可以为(0, 1)范围内的分数阶非局部波动动力学提供高效的求解器。基于这一动机,本文主要通过fPINNs框架求解fNLS方程,利用傅里叶谱方法评估分数算子,并采用自动微分计算整数阶导数。论文的结构如下:第2节详细介绍了fPINNs的理论基础和实现,将傅里叶特征映射和傅里叶谱方法整合到神经网络架构中。第3节提出了求解fNLS方程的正向建模任务和框架,包括数值设置和训练策略,以及数据驱动解的实验结果。第4节讨论了相应的逆问题,即数据驱动的参数估计,包括效率和方法的准确性。最后,第5节给出了结论和讨论。
**文章片段**
**具有傅里叶特征映射和谱方法的fPINNs**
包含整数阶和分数阶的复非线性波动系统可以表示为一般形式:
??/?t + N[q, ?x?q, ?] = 0,(x,t) ∈ Ω×[T?,T?],
其中q?≡?q(x, t)表示依赖于空间坐标x和时间t的未知状态变量,N[·]表示作用在q上的微分算子,Ω?R?是空间域。为了采用具有傅里叶特征映射和谱方法的fPINNs,可以通过取q=u来分解fNLS方程(2)的实部和虚部的控制方程。
**fNLS方程的数据驱动发现**
众所周知,分数微分方程通常无法解析求解,通常采用数值模拟。然而,fNLS方程(2)是可积的,其在特征值kS=ξ+iη下的精确非线性波动解可以表示为:
q?(x,t) = 2ηe?2iξx + 4i(ξ2?η2)|2kS|?t sech(2η(x?x??4ξ|2kS|?t)),
这也是标准NLS方程的各种假设方法[38]求解的解的对应形式,包括聚焦和解焦。
**数据驱动的参数估计**
准确识别模型参数对于捕捉复杂物理系统的潜在动力学至关重要。数据驱动的参数估计是一种可以使用fPINNs有效解决的逆问题。主要思想是利用观测数据来推断未知的模型参数,确保模型的预测与实际物理过程一致。在本节中,考察了三个分数指数εtrue ∈ {0.2, 0.5, 0.8}在五种噪声下的情况。
**结论和讨论**
本研究提出了一种基于fPINNs的高效深度学习方法来求解fNLS方程。通过将傅里叶特征映射与谱离散化技术相结合,我们构建了一个能够准确捕捉分数系统复杂动力学的深度学习框架。数值实验表明,所提出的方法在多个分数参数(?=0.2,0.5,0.8)下保持较低的相对误差,验证了其准确性和鲁棒性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号