恐惧驱动的捕食者-猎物动力学与猎物庇护所：分析框架与物理信息神经网络方法

《Frontiers in Artificial Intelligence》：Fear-driven predator–prey dynamics with prey refuge: analytical framework and physics-informed neural network approach

　　

中文翻译（摘要）：生态群落不仅受直接消费的支配，还受由感知捕食风险引发的间接行为反应的影响。捕食者诱导的恐惧即使在不存在致命捕食的情况下也会显著抑制猎物的繁殖产出和觅食效率，这一机制已在包括鸣禽、有蹄类和海洋无脊椎动物在内的广泛类群中得到证实。基于这一观察，研究人员构建了一个确定性两物种模型，同时纳入恐惧介导的猎物生长抑制、部分猎物庇护、密度依赖的种内调节以及捕食者自干扰。该模型区别于现有的恐惧-庇护框架之处在于，将四种生态机制联合嵌入单一功能反应分母1 + kv + αu中，产生了仅包含部分效应的模型所不具备的定性新颖稳定性阈值。通过正性和一致有界性证明，严格确立了生物学可接受性。有界性条件cβ(1?δ)<2√aη是根据Sylvester准则对交叉相互作用二次型从第一性原理推导得出的。识别出三个具有生态意义的平衡点，并通过重新推导的雅可比线性化和Routh–Hurwitz准则刻画其局部稳定性。采用四阶Runge-Kutta方法的数值实验表明，在所探索的参数范围内收敛到稳定的共存平衡，随着捕食强度增加，收敛方式从稳定结点转变为稳定焦点；未观察到持续振荡。构建了一个物理信息神经网络（PINN），包含4个隐藏层、每层64个神经元、tanh激活函数、Adam优化器后接L-BFGS训练共10,000次迭代以及200个配点，相对于RK4参考，猎物和捕食者的最大绝对误差分别为7.98 × 10^?3和5.83 × 10^?3。与相同架构的数据驱动神经网络相比，物理信息损失带来了五倍的精度提升。报告了全局稳定性的数值证据；基于Lyapunov的严格分析被确定为未来工作。

论文解读：恐惧驱动的捕食者-猎物动力学与猎物庇护所：分析框架与物理信息神经网络方法

研究背景与问题：经典的Lotka-Volterra模型揭示了纯消费性相遇产生内在振荡周期，但忽略了多种生态机制。大量证据表明，捕食者通过直接消费途径和间接非消费行为途径影响猎物，其中恐惧驱动的行为改变（如提高警惕、减少觅食、降低繁殖投入）即使在没有直接捕食的情况下也能抑制猎物种群增长。同时，猎物庇护所提供了不可接近的微生境，通常扩大稳定共存区域。此外，捕食者自干扰（种内竞争）可防止捕食者种群无界增长。尽管已有模型分别整合了恐惧效应（Wang et al., 2016）或恐惧与庇护（Kumar and Dubey, 2019），但同时涵盖恐惧、庇护、猎物拥挤和捕食者自干扰四种机制的统一框架仍然缺乏。因此，本研究旨在构建一个更全面的模型，并利用物理信息神经网络（PINN）作为验证工具，以弥补现有文献的空白。

研究内容与结论：研究人员提出了一个确定性两物种模型，将恐惧介导的猎物生长抑制、部分猎物庇护、密度依赖的种内调节和捕食者自干扰同时纳入单一功能反应分母1 + kv + αu中。该模型的关键创新在于通过联合嵌入四种机制，产生交叉抑制反馈回路和新颖的稳定性阈值，这些无法通过叠加单一机制模型获得。研究人员从第一性原理推导了有界性条件cβ(1?δ)<2√aη，应用Sylvester准则于交叉相互作用二次型。识别了三个平衡点（平凡平衡点E₀、猎物-only平衡点E₁和内部平衡点E^*），并通过重新推导的雅可比线性化和Routh–Hurwitz准则分析其局部稳定性。数值模拟（四阶Runge-Kutta方法）表明，基线参数下所有初始条件均收敛到稳定共存平衡点E^*(1.4315, 0.4050)，该平衡点为稳定结点；随着捕食强度增加，转变为稳定焦点，但未观察到持续振荡。构建的PINN（4隐藏层，每层64神经元，tanh激活，Adam + L-BFGS训练10,000次，200配点）最大绝对误差为7.98 × 10^?3（猎物）和5.83 × 10^?3（捕食者），相对误差低于1%，比数据驱动神经网络精度提高约五倍。该研究发表在《Frontiers in Artificial Intelligence》。

主要技术方法：研究人员采用确定性数学模型构建与理论分析相结合的方法。首先建立两个常微分方程分别描述猎物和捕食者密度变化，并利用正不变性和Sylvester准则证明生物可接受性与有界性。平衡点稳定性分析采用雅可比矩阵线性化和Routh–Hurwitz准则。数值求解使用四阶Runge-Kutta（RK4）方法作为参考。PINN部分采用全连接前馈网络，输入为时间t，输出为猎物和捕食者密度估计值，损失函数包含ODE残差和初始条件约束，优化采用Adam（8,000轮）和L-BFGS-B（2,000轮）两阶段策略。样本方面，使用200个均匀分布的配点，域[0,50]，基线参数值如表所述（r=1.5, a=0.5, α=0.3, k=0.4, β=0.8, δ=0.3, c=0.6, m=0.4, η=0.2）。

研究结果：

? 模型公式化与比较：模型公式（1）中，猎物方程包含恐惧项kv和拥挤项αu在分母中，均匀有界性条件cβ(1?δ)<2√aη确保了系统的生物学合理性。与Wang et al. (2016)（仅恐惧）和Kumar and Dubey (2019)（恐惧+庇护）相比，本模型同时纳入四种机制，联合分母产生交叉抑制反馈。

? 正性与有界性：定理1证明了解的正性不变性；定理2通过Sylvester准则推导出有界性条件，保证了系统解的最终一致有界性。

? 平衡点分析：平衡点E₀始终为鞍点（不稳定）；E₁在cβ(1?δ)u₁*存在的条件为r>am/(cβ(1?δ))(1+αm/(cβ(1?δ)))，且满足Routh–Hurwitz条件时局部渐近稳定。参数敏感性分析显示：恐惧系数k增加降低u^*和v^*；庇护分数δ增加提高u^*但降低v^*；捕食率β增加提高v^*但降低u^*，平衡从稳定结点变为稳定焦点；捕食者死亡率m增加导致v^*下降至零，在阈值m^*≈0.641处发生平衡点消失。

? PINN实现与验证：PINN使用4层×64神经元，tanh激活，Adam（8,000轮）和L-BFGS-B（2,000轮）训练，总损失L=L_ODE+λL_IC（λ=10）。最大绝对误差为7.98×10^?3（猎物）和5.83×10^?3（捕食者），相对L2误差分别为0.56%和0.72%。与数据驱动网络（DDNN）相比，误差降低约5-6倍。PINN在整个[0,T]上保持精度，而DDNN在训练窗口外外推性能差。

? 数值模拟与灵敏度：从五个不同初始条件出发，所有轨迹均收敛到E^*，提供大吸引盆地的数值证据。参数扫描显示E^*在广泛范围内保持局部渐近稳定，未出现极限环。

? 全局稳定性与未来方向：收敛到E^*仅为数值证据，严格的Lyapunov全局稳定性证明留作未来工作。未来方向包括：构造Lyapunov函数、分岔分析（Hopf分岔）、分数阶扩展（Caputo算子）、时间延迟、随机扰动、空间扩散（反应-扩散PDE）、最优收获和基于PINN的参数估计。

讨论与结论：本研究提出的模型通过联合嵌入四种生态机制，扩展了现有恐惧-庇护框架，揭示了新的稳定性阈值。有界性条件从第一性原理推导，具有清晰生物学意义：跨物种能量转移不能克服组合自限性。PINN的成功应用证明物理信息学习在生态动态系统验证中的潜力，为未来更复杂扩展（如分数阶、随机或空间模型）奠定了基础。数值模拟未观察到持续振荡，这与强自限性机制（?au²，?ηv²）相关；未来弱化自干扰可能产生Hopf分岔。总体上，该模型为捕食者-猎物相互作用提供了更全面的理论框架，并展示了PINN在生态学中的实用价值。