《Ain Shams Engineering Journal》：Physics-informed neural networks with exponential basis augmentation for nonlinear wave solutions of the (2+1)-dimensional Zakharov Kuznetsov equation
编辑推荐：
摘要：由控制多空间维度中波传播的非线性偏微分方程，可产生丰富的动力学结构，包括局域孤子、周期波列以及呼吸子型振荡。当前工作提出并比较评估了两种神经代理框架，分别标记为PINN和E-PINN，以保持其基于解的物理基础的一致性，尽管两者均未将控制方程作为显式残差项
摘要：由控制多空间维度中波传播的非线性偏微分方程，可产生丰富的动力学结构，包括局域孤子、周期波列以及呼吸子型振荡。当前工作提出并比较评估了两种神经代理框架，分别标记为PINN和E-PINN，以保持其基于解的物理基础的一致性，尽管两者均未将控制方程作为显式残差项施加。这些框架旨在近似(2+1)维Zakharov–Kuznetsov（ZK）方程的解：一个直接在解析目标数据上训练的基线神经逼近器，以及一个指数增强对应物（E-PINN），其中源自ZK方程行波几何的结构化指数基函数，作为固定辅助预测器与可训练网络一同嵌入。为研究解复杂度对逼近质量的影响，研究采用三种具有代表性的、物理驱动的、指数结构的基准波形——孤子、周期和呼吸子型——作为基准目标，从而能够在广泛的非线性和振荡行为范围内系统评估精度、训练收敛性和模型可靠性。计算结果揭示了明显的解特异性性能特征。对于局域孤子解，其空间结构天然呈指数形式，增强框架相对于基线在峰值区域误差降低高达24%，表明引入结构兼容的基函数简化了残差学习任务。然而，对于周期和呼吸子型解，标准神经逼近器在所有域平均误差指标上均表现更优——且增强变体的峰值误差根据具体情况升至基线值的约1.3至2.0倍——因为指数基在这些区域引入了结构不兼容而非益处。综合来看，研究结果表明，由目标解的数学形式驱动的架构决策产生的是选择性增益而非全面改进，原则性的模型选择应基于对主导解特征的先验知识。所提出的计算流程为非线性色散波系统中神经逼近策略的基准测试提供了清晰且完全可复现的基础。
一、研究背景与问题提出
非线性偏微分方程（NLPDEs）在现代数学物理和应用数学中占据核心地位，是描述复杂物理系统动力学的基本工具。与线性模型不同，非线性方程能够产生丰富的物理现象，包括孤波形式的能量集中、空间对称性的自发破缺、产生振幅依赖相移的波相互作用、跨时空尺度的共振能量交换，以及可长距离传播的时空模式。这些效应在等离子体物理、非线性光纤光学、浅水水动力学、玻色–爱因斯坦凝聚和地球物理流体力学等多个领域均可直接观测。
在非线性色散波方程体系中，Korteweg–de Vries（KdV）方程及其高维推广具有特殊地位。Zakharov–Kuznetsov（ZK）方程由Zakharov和Kuznetsov于1974年在弱磁化等离子体中三维孤子的研究背景下提出，是KdV框架最重要的多维推广之一。该方程描述弱非线性离子声波在磁化等离子体中的传播，环境磁场对色散项施加方向各向异性。方程编码了非线性波陡化与多维色散展宽之间的基本竞争，这一平衡对等离子体环境中局域波结构的形成和持续至关重要。ZK方程的应用范围远超等离子体物理：其推广形式描述了旋转地球物理流体中的Rossby波、尘埃等离子体中的尘埃离子声波、量子等离子体系统中的波动力学以及分层剪切流中的非线性传播。(2+1)维ZK方程支持丰富的行波解族，包括孤子、扭结型波、周期波列、呼吸子型结构、有理函数解和奇异剖面。
尽管解析方法在ZK方程研究中取得了丰硕成果，但其固有局限性明显：解析方法仅在特定结构假设下有效，难以适应一般参数区间、扰动配置或行波假设之外的初边值问题。经典数值方法如有限差分、有限元、谱方法和拟谱配点法虽然理论基础完善，但在处理高维非线性色散方程时面临网格构建成本高、CFL稳定性条件严苛、尖锐梯度区域引入数值扩散和相位误差、计算成本随维度和域规模不利扩展等问题。
物理信息神经网络（PINNs）将神经网络的通用逼近能力与物理定律的结构知识相结合，无需计算网格，能自然适应不规则几何，并在单一训练过程中统一前向模拟、参数反演和数据同化。然而，标准PINN架构存在若干根本性逼近困难：谱偏差导致高频分量学习缓慢或不准确；数据损失与物理残差损失之间的不平衡可能引起训练停滞或达到次优配置。研究表明，PINN失败与解景观的复杂度相关，而非控制方程的形式复杂度。
在此背景下，一个尚未充分探索的方向是：有意识地使用数学形式与目标解类已知结构相匹配的基函数来增强神经网络。受扩展有限元方法（XFEM）在奇异性附近通过局部自适应函数丰富逼近空间获得显著精度提升的启发，将类似思想应用于神经代理模型，通过结构对齐的辅助基函数将部分表征负担从可训练权重转移到固定基，可简化最难捕获区域的残差学习任务。对于ZK型方程，局域孤子型解可显式写成指数形式，这为指数基函数增强提供了直接而自然的实现途径。
二、研究内容与主要结论
研究人员提出并比较评估了两种神经代理框架：基线神经逼近器（PINN）和指数增强对应物（E-PINN）。后者将源自ZK方程行波几何的结构化指数基函数作为固定辅助预测器嵌入可训练网络。研究采用三种具有代表性的指数结构基准波形——孤子、周期和呼吸子型——作为基准目标，系统评估精度、训练收敛性和模型可靠性。
计算结果揭示了明显的解特异性性能特征。对于局域孤子解，其空间结构天然呈指数形式，增强框架相对于基线在峰值区域误差降低高达24%，表明引入结构兼容的基函数简化了残差学习任务。然而，对于周期和呼吸子型解，标准神经逼近器在所有域平均误差指标上均表现更优，增强变体的峰值误差升至基线值的约1.3至2.0倍，因为指数基在这些区域引入结构不兼容而非益处。研究结论表明，由目标解数学形式驱动的架构决策产生选择性增益而非全面改进，原则性的模型选择应基于对主导解特征的先验知识。
三、关键技术方法
研究人员采用的主要关键技术方法包括：其一，基线物理信息神经网络（PINN），直接在解析目标数据上训练，通过自动微分计算导数，无需网格化；其二，指数增强物理信息神经网络（E-PINN），在可训练网络旁嵌入源自ZK方程行波几何的结构化指数基函数作为固定辅助预测器；其三，采用三种物理驱动的指数结构基准波形——孤子、周期和呼吸子型——作为基准目标，通过域平均误差和峰值区域误差等指标系统评估逼近质量。解析基准解源自Yasin等人应用修正辅助方程方法获得的(2+1)维ZK方程精确解族。
四、研究结果
1. 孤子解的逼近性能
对于局域孤子解，其空间结构天然呈指数形式，指数增强框架在峰值区域误差降低高达24%，表明结构兼容的基函数有效简化了残差学习任务，将部分表征负担从可训练权重转移到固定基。
2. 周期解的逼近性能
对于周期波解，标准神经逼近器在所有域平均误差指标上均表现更优，指数增强变体的峰值误差升至基线值的约1.3至2.0倍，说明指数基在周期振荡区域引入结构不兼容而非收益。
3. 呼吸子型解的逼近性能
对于呼吸子型解，结果与周期解类似，标准神经逼近器更为有效，增强变体的峰值误差显著高于基线值，进一步证实指数基函数仅对指数结构匹配的解类提供增益。
五、讨论与结论
讨论部分指出，架构决策由目标解的数学形式驱动时产生的是选择性增益而非全面改进。这一发现与数值分析中扩展有限元方法（XFEM）的原理相呼应，但揭示了其适用边界：基函数增强仅在基函数结构与目标解结构兼容时有效。研究强调，原则性的模型选择应基于对主导解特征的先验知识，而非一刀切的架构改进。
研究结论部分指出，所提出的计算流程为非线性色散波系统中神经逼近策略的基准测试提供了清晰且完全可复现的基础。研究同时表明，理解目标解的内在数学结构对于设计有效的神经逼近架构至关重要，结构对齐的基函数增强能够为特定解类带来显著精度提升，但需谨慎评估其适用范围。
