分数阶物理信息神经网络用于非马尔可夫离散时间量子游走的代理建模

《Entropy》：Fractional Physics Informed Neural Networks for Surrogate Modeling of Non-Markovian Discrete-Time Quantum Walks

　　

预测具有非马尔可夫环境噪声的量子游走（quantum walks）中的异常扩散在计算上是要求很高的。研究人员引入了FracPINN，这是一个分数阶物理信息神经网络（fractional physics-informed neural network, fPINN），它将一个完全可微的、基于PyTorch的Caputo偏微分方程（PDE）求解器嵌入到一个经典的长短期记忆网络（LSTM）编码器中。FracPINN并非取代经典预测器，而是作为一个紧凑的物理正则化器，用涌现的分数阶输运动力学约束推理；每一个物理信息损失分量都是严格无标签的，而真实指数（ground-truth exponent）仅通过一个显式监督回归项进入。在3709个非马尔可夫离散时间量子游走（DTQW）模拟（从5000个原始样本中过滤到物理允许的指数范围）上评估，FracPINN在留出测试数据上达到了平均绝对误差（MAE）为??和??，在整体MAE上比经典基线提升了??，同时仅增加了四个可解释的物理参数。值得注意的是，增益集中在记忆效应主导的亚扩散（sub-diffusive）区间，在那里MAE相比基线提升了??，而正常扩散和超扩散（super diffusive）的精度保持不变。一旦训练完成，该代理将推理时间从数秒的模拟缩短到每个样本不到一毫秒。这些结果表明，在稳定的经典流水线中，分数阶PDE网络作为具有最小开销的针对性物理精炼是最有优势的。

本研究针对非马尔可夫离散时间量子游走（DTQW）中异常扩散预测计算成本高昂的问题，提出了一种分数阶物理信息神经网络（FracPINN）作为代理模型。研究背景方面，量子随机游走（QRWs）是量子输运的基础框架，但在现实环境中不可避免地受到环境噪声影响，特别是非马尔可夫噪声会引入时间记忆，导致空间概率分布呈现异常扩散，其均方位移（MSD）按t^α标度，α<1对应亚扩散，α=1对应正常扩散，α>1对应超扩散。目前，理论表征需反复模拟完整酉演化并统计平均，计算代价极大。物理信息神经网络（PINNs）通过将控制微分方程嵌入损失函数约束学习解，但此前分数阶PINNs（fPINNs）主要用于从稀疏数据或已知边界条件直接求解分数阶PDE，尚未应用于从底层量子随机过程的粗粒化可观测量推断分数阶参数的逆问题。同时，现有数据驱动方法（如RNN）虽能分类异常扩散，但未显式嵌入分数阶输运物理，且聚焦于轨迹级而非统计系综。

研究人员开展了以下研究：构建了一个包含3709个物理允许的非马尔可夫DTQW模拟数据集，样本参数（掷币角、噪声强度、相关时间）通过拉丁超立方采样和Beta分布采样生成，每个模拟运行500步，后验拟合MSD标度指数α。FracPINN模型由LSTM时序编码器和代理参数头组成，输入为早期时间窗口（t=1-50）的四个粗粒化统计量（方差、香农熵、峰度、空间相关性），输出四个物理参数（α, D, γ, τ），其中α通过关系式α=2β映射到扩散指数。模型训练采用两阶段策略：第一阶段（1-100轮）关闭可微求解器项，仅用幂律代理和监督项学习数据驱动映射；第二阶段（101-300轮）启用可微分数阶PDE求解器（基于L1格式离散Caputo导数），引入四分量损失函数（数据损失、PDE一致性损失、物理正则化损失、监督回归损失），所有物理信息分量均无标签依赖。基线为三层MLP。模型在留出测试集上评估，并进行了消融研究和区间分析。论文发表在《Entropy》。

主要关键技术方法包括：（1）基于Cholesky分解的指数相关高斯噪声生成，模拟非马尔可夫环境；（2）LSTM编码器提取时序粗粒化统计量，输入窗口为t=1-50；（3）可微Caputo分数阶PDE求解器，采用L1格式离散时间分数阶导数，用PyTorch实现并嵌入计算图，确保梯度流经所有预测参数；（4）四分量损失函数设计，其中数据损失使用归一化方差曲线形状比较，PDE一致性损失比较求解器输出方差与观测方差，物理正则化损失施加硬边界惩罚，监督回归损失仅对α通过幂律代理进行监督。训练使用AdamW优化器，余弦退火学习率调度。数据集来源：3709个物理允许的DTQW样本，参数范围α∈[0,2]。

研究结果部分：

**5.1 主要结果**：在552样本测试集上，FracPINN达到平均绝对误差（MAE）?，均方根误差（RMSE）?，决定系数R²?；基线MLP的MAE=?，RMSE=?，R²=?，FracPINN在MAE上相对提升?%。预测 vs 真实α散点图显示预测值聚集在对角线附近，误差分布近似高斯（均值?，标准差?），无系统性偏差。方差演化曲线对比显示FracPINN紧密跟随真实值，而MLP在超扩散区间低估、亚扩散区间高估指数。

**5.2 消融研究**：通过移除可微求解器一致性和物理正则化、移除数据损失、减少网络容量（2层LSTM，隐藏维度64），以及基线MLP四种消融实验，量化各组件贡献。全模型在整体测试集上MAE与无物理消融和无数据消融差异在?%以内，但缩减网络和基线MLP分别退化?%和?%。关键发现：物理信息项在亚扩散区间贡献最大，全模型在该区间MAE比无物理消融改善?%，比基线MLP改善?%，证明记忆核动力学能区分信号。

**5.3 区间分析**：将测试集按真实α划分为亚扩散（α<0.95）、正常扩散（0.95≤α≤1.05）和超扩散（α>1.05）。FracPINN在亚扩散区间MAE=?，基线MLP为?，改善?%；在超扩散区间两者相当（MAE=? vs ?）；正常扩散区间样本少（60个），模型误差相对较大。区间内R²因标签方差小而不具信息性。

**5.4 长期外推**：六个留出模拟（500步）上，仅使用早期统计量（t=1-50）预测指数，外推方差至t=500。位于训练分布内时，预测指数误差在?–?，外推方差相对误差约12%；强捕获或瞬态样本（训练范围外）误差显著放大，表明外推能力限于训练分布内。

**5.5 计算效率**：训练后FracPINN在CPU上单样本推理≈0.33 ms，而500步DTQW模拟需≈0.23 s，加速比≈?；若考虑系综平均（M=50），模拟成本升至≈11 s，加速比≈?。GPU批量推理进一步扩大优势。全模型训练（300轮，3709样本）在RTX 5090 GPU上耗时≈10分钟。

讨论部分总结：结果证明分数阶物理信息神经网络可有效作为量子随机游走参数估计的代理模型，关键在于粗粒化统计量包含足够信息，且受分数阶PDE约束。消融揭示数据驱动与物理驱动学习的权衡：正常扩散区间数据损失已足够，亚扩散区间物理项至关重要。局限性包括：分数阶PDE为有效模型，不捕获微观量子相干效应；求解器仅一维；记忆核参数化为简单指数；纯Caputo极限下仅支持线性MSD增长，强超扩散通过幂律代理表示；L1格式在深度亚扩散精度下降；每个样本为单次噪声实现带来实现噪声。未来方向：扩展到高维、非参数记忆核、分数阶扩散-波动公式、隐式格式，以及实验平台（离子阱、光子学）应用。

研究结论翻译：研究人员引入了FracPINN，一个分数阶物理信息神经网络，它学习从非马尔可夫离散时间量子游走的粗粒化统计可观测量推断有效异常扩散指数和分数阶输运参数。通过将一个可微的Caputo导数PDE求解器嵌入神经网络，并用一个其物理信息项严格无标签的多分量损失函数训练，该模型在亚扩散、正常和超扩散区间均实现了准确预测。在一个包含3709个物理允许的DTQW样本的数据集上，FracPINN达到了MAE=?和?，在MAE上比纯数据驱动基线提升了?%，在记忆主导的亚扩散区间提升了?%。一旦训练完成，模型在毫秒级内提供推理，使得量子模拟和输运表征的实时参数估计成为可能。研究人员计划将框架扩展到高维晶格、非参数记忆核、用于弹道区间的分数阶扩散-波动动力学，以及来自离子阱和光子平台的实验数据。