基于物理信息的神经网络学习变阶时间分数阶扩散方程

《PLOS One》：Learning variable-order time fractional diffusion equations using Physics-Informed Neural Networks

　　

本研究提出了一种基于物理信息的神经网络（Physics-Informed Neural Networks, PINNs）的新方法，用于同时求解变阶时间分数阶扩散方程并从数据中推断时间相关的分数阶阶数。通过将控制方程嵌入神经网络的损失函数，该方法即使在稀疏或噪声数据条件下仍可实现高精度与灵活性。研究人员采用双网络架构：一个网络逼近解u(x,t)，另一个网络学习分数阶阶数α(t)。数值实验验证了该方法的有效性，在光滑情况下解的均方误差低于10^-4、分数阶阶数均方误差低于10^-3，同时对噪声数据和非光滑阶数具有鲁棒性。

本研究旨在解决变阶时间分数阶扩散方程的求解及其逆问题，相关成果发表于《PLOS One》。在科学研究和工程应用中，反常扩散现象的建模具有重要意义。经典扩散方程描述的是均质介质中的标准扩散过程，其均方位移与时间呈线性关系。然而，在物理学、生物学和材料科学等众多领域，大量系统表现出记忆效应或非局域行为，其扩散过程无法用经典模型准确刻画。时间分数阶扩散方程通过引入分数阶导数，能够有效描述这类反常扩散现象，其中Caputo分数阶导数是最常用的定义形式之一。当分数阶阶数随时间或空间变化时，即形成变阶分数阶导数，这进一步增强了模型对复杂系统演化特性的刻画能力，例如生物组织在疾病进展或药物递送过程中变化的组织特性、金融市场中动态波动等场景。

尽管变阶模型具有显著的物理意义和应用价值，其求解面临严峻挑战。分数阶算子的非局域性导致传统数值方法如有限差分法、有限元法或谱方法需要 specialized 离散化格式，计算成本高且通常假设分数阶阶数已知。更为关键的是，实际应用中分数阶阶数往往无法预先获知，而需要从实验或观测数据中估计，这就形成了典型的逆问题。物理信息神经网络作为一种新兴的偏微分方程求解范式，通过将物理约束嵌入神经网络训练过程，在稀疏数据条件下展现出高精度和高效率优势。已有研究将PINNs扩展至分数阶偏微分方程领域，包括固定阶和变阶情形，但在变阶时间分数阶扩散方程的逆问题方面，特别是针对非光滑和噪声场景的处理，仍存在明显研究空白。

研究人员开展此项研究的动机在于填补上述空白，建立能够同时求解变阶时间分数阶扩散方程并从数据中学习时间依赖分数阶阶数的统一框架。该框架的核心创新在于双网络架构的设计与自适应正则化策略的引入，旨在提升对动态变化、非光滑及噪声条件下分数阶阶数的辨识能力。

本研究所采用的关键技术方法包括以下方面。在整体架构上，采用双网络结构：网络N_u（参数为θ）以时空坐标(x,t)为输入，通过4层全连接层（每层50个神经元，tanh激活函数）逼近解u(x,t)；网络N_α（参数为φ）以时间t为输入，通过3层全连接层（每层20个神经元）输出经sigmoid函数约束至(0,1]区间的分数阶阶数α(t)。两网络通过复合损失函数协同训练，该损失函数包含四个加权分量：数据保真项L_data衡量预测解与观测数据的偏差；PDE残差项L_PDE在配点处强制满足控制方程，其中变阶Caputo分数阶导数通过自动微分计算空间/时间导数，并采用梯形数值积分处理积分部分；初始条件项L_IC和边界条件项L_BC分别施加初始状态和边界约束。优化采用Adam算法，学习率0.001，训练10,000至20,000轮次。针对α(t)的光滑性，引入有限差分近似的正则化项R(φ)，并在噪声和非光滑情形下采用自适应加权策略动态调整损失权重。

研究结果部分包含以下实验。第一个实验旨在验证PINN在分数阶阶数已知情形下的求解精度。取一维变阶时间分数阶扩散方程，扩散系数k=1，源项f(x,t)=0，在区间0-5，绝对误差低于10^-3，验证了方法在正问题求解中的高精度。

第二个实验评估PINN在逆问题中的性能，即从数据同时学习解和未知分数阶阶数。采用与第一个实验相同的方程设置，但α(t)不再预先给定，而是从参考解生成的10,000个数据点中学习，正则化参数λ=0.01。结果显示，解的均方误差为2.86×10^-5，分数阶阶数的均方误差为1.41×10^-4，绝对误差低于10^-2，证实了双网络架构在逆问题中的有效性。

第三个实验检验方法对噪声数据的鲁棒性。在前述设置基础上，向合成数据添加5%高斯噪声（即参考解的5%），采用12,000个噪声数据点，并将正则化参数提升至λ=0.05以抑制噪声对α(t)估计的影响。实验获得解的均方误差为8.76×10^-4，分数阶阶数的均方误差为9.12×10^-4。结果表明，尽管存在噪声干扰，PINN仍能较为准确地恢复解和分数阶阶数，体现了方法在实际测量条件下的适用性。

第四个实验考察PINN对非光滑分数阶阶数的处理能力。设定分数阶阶数为分段线性函数：α(t)在0≤t≤本题中，在0≤t≤0.5时为0.5，在0.5-3，分数阶阶数的均方误差为8.45×10^-3（在t=0.5间断点附近误差增大）。该实验证明了方法能够处理物理系统中可能出现的阶数突变情形，尽管在非光滑点处精度有所下降。

第五个实验展示方法在生物系统中的应用潜力，具体为异质组织中药物扩散模型。取α(t)=0.7+0.2t模拟组织从正常到炎症状态的平滑转变，生成15,000个数据点并添加1%高斯噪声，采用自适应加权策略和λ=0.02。实验获得解的均方误差为3.45×10^-4，分数阶阶数的均方误差为2.78×10^-4。结果证实PINN能够准确捕捉不同组织条件下的扩散动态，为生物医学应用提供了可行工具。

此外，研究还进行了系统性的参数敏感性分析、噪声鲁棒性测试、与传统方法的对比以及网络容量的收敛性分析。超参数分析表明，平衡各项损失的权重对结果稳定性至关重要；噪声分析显示在5%噪声水平下方法仍保持可用精度；与传统有限差分方法的比较凸显了PINN在无显式离散化和逆问题处理方面的优势；网络容量分析表明4层50神经元的架构在精度与效率间取得了最佳平衡。

在讨论与总结部分，研究人员指出该工作的主要贡献在于首次将PINN框架系统应用于变阶时间分数阶扩散方程的逆问题，并创新性地处理了非光滑阶数和噪声数据情形。方法通过双网络分离策略有效降低了解与参数学习间的干扰，自适应正则化机制增强了对动态变化的适应性。研究结论表明，结合物理定律与数据驱动学习的PINN方法为复杂扩散过程的建模提供了灵活高效的工具，在光滑条件下解的均方误差低于10^-4、分数阶阶数均方误差低于10^-3，在5%噪声下仍具鲁棒性，填补了时间分数阶变阶模型中的研究空白，在逆问题和噪声数据处理方面优于传统方法。同时，研究也坦承了局限性：大尺度问题计算成本较高，逆问题中α(t)的辨识可能存在非唯一性；未来工作可探索自适应求积或混合方法以提升效率，并将框架扩展至更广泛的物理和生物应用场景。