fPINN-DeepONet: A Physics-Informed Operator Learning Framework for Multi-term Time-fractional Mixed Diffusion-wave Equations

Riepilogo Tecnico: fPINN-DeepONet per Equazioni di Diffusione-Onda Miste a Derivate Temporali frazionarie Multi-Termine

Enunciato del Problema
Il documento affronta la sfida di risolvere equazioni di diffusione-onda miste a derivate temporali frazionarie multi-termine (TFMDWEs). Queste equazioni generalizzano le equazioni alle derivate parziali a derivate temporali frazionarie a termine singolo (TFPDEs) e sono fondamentali per modellare processi di diffusione anomala, smorzamento viscoelastico e moto sub-diffusivo nei campi di velocità. Il problema specifico coinvolge equazioni della forma:
$$\sum_{i=1}^s K_i {}_0^C D_t^{\alpha_i} u(x, t) = \Delta u(x, t) + f(x, t)$$
dove gli ordini frazionari $\alpha_i$ possono variare tra 0 e 2, e l'equazione può coinvolgere termini multipli con ordini diversi. I metodi numerici tradizionali (differenze finite, elementi finiti, metodi spettrali) faticano con questi problemi a causa della natura non locale delle derivate frazionarie e della crescita esponenziale del costo computazionale per scenari ad alta dimensionalità o a ordine variabile. Inoltre, gli approcci esistenti basati sul deep learning spesso si affidano a approssimazioni L1 o si concentrano su equazioni a termine singolo, lasciando un vuoto nella gestione efficiente delle equazioni alle derivate parziali frazionarie (FPDEs) multi-termine e a ordine variabile.

Metodologia
Gli autori propongono fPINN-DeepONet, un framework di apprendimento di operatori deep informato dalla fisica che integra una nuova approssimazione numerica con l'architettura Deep Operator Network (DeepONet).

1. Approssimazione L2 per Derivate Frazionarie:
   Il contributo numerico fondamentale è la derivazione di un'approssimazione L2 per la derivata frazionaria di Caputo di ordine $\beta \in (1, 2)$. Questo consegue un'accuratezza del primo ordine. Gli autori combinano questa con la standard approssimazione L1 per ordini $\alpha \in (0, 1)$. Queste approssimazioni sono utilizzate per discretizzare le derivate temporali frazionarie all'interno della funzione di perdita, consentendo alla rete neurale di calcolare il residuo basato sulla fisica senza richiedere solver espliciti basati su griglia per i termini frazionari.

2. Architettura DeepONet:
   Il framework utilizza una struttura DeepONet composta da:

   • Rete Ramo (Branch Net): Codifica la funzione di input. A seconda del tipo di problema, questo input può essere il termine sorgente $f(x,t)$, le condizioni iniziali o la funzione dell'ordine frazionario $\alpha(x,t)$ (per problemi a ordine variabile). L'input è discretizzato su un insieme di punti sensori.
   • Rete Tronco (Trunk Net): Elabora le coordinate di query $(x, t)$ all'interno del dominio spazio-temporale.
   • Output: Il prodotto scalare degli output della Rete Ramo e della Rete Tronco approssima l'operatore soluzione $G^\dagger$, mappando le funzioni di input alla soluzione $u(x,t)$.

3. Costruzione della Funzione di Perdita:
   L'obiettivo di addestramento minimizza una funzione di perdita totale $L = L_{phy} + L_{data}$:

   • Perdita Fisica ($L_{phy}$): Incorpora il residuo dell'FPDE governante, le condizioni iniziali e le condizioni al contorno. Crucialmente, i termini di derivata frazionaria nel residuo sono calcolati utilizzando le approssimazioni L2/L1 proposte applicate all'output previsto dalla rete.
   • Perdita Dati ($L_{data}$): Misura l'errore quadratico medio tra la soluzione prevista e i dati reali disponibili (se presenti).

4. Algoritmi:
   Il documento dettaglia due algoritmi specifici:

   • Algoritmo 1: Risolve FPDEs a ordine frazionario fisso dove l'input della rete ramo è il termine sorgente o le condizioni iniziali.
   • Algoritmo 2: Risolve FPDEs a ordine frazionario variabile dove l'input della rete ramo è la funzione dell'ordine frazionario $\alpha(x,t)$, consentendo al modello di generalizzare su diverse configurazioni di ordine.

Contributi Chiave

• Schema di Approssimazione Innovativo: La derivazione e l'integrazione di un'approssimazione L2 per le derivate di Caputo di ordine $\beta \in (1, 2)$ in un framework di reti neurali informato dalla fisica.
• Apprendimento di Operatori per FPDEs Multi-Termine: La prima applicazione di DeepONet alle equazioni di diffusione-onda miste a derivate temporali frazionarie multi-termine, gestendo sia ordini frazionari fissi che variabili all'interno di un framework unificato.
• Versatilità nei Tipi di Problema: Il framework è dimostrato in grado di risolvere problemi diretti (previsione delle soluzioni), problemi inversi (identificazione degli ordini frazionari) e gestire ordini frazionari discontinui e domini spaziali ad alta dimensionalità.
• Robustezza: Il modello è stato testato in condizioni di dati rumorosi, dimostrando resilienza a livelli di rumore gaussiano fino all'80%.

Risultati Sperimentali
Gli autori hanno condotto estesi esperimenti numerici utilizzando la libreria PyTorch:

• Problemi a Ordine Fisso: Il modello ha raggiunto un'alta accuratezza per FODEs e FPDEs con ordini fissi (ad esempio, $\alpha=0.5, \beta=1.5$), con errori relativi $L_2$ bassi come $10^{-6}$ per le TFMDWEs.
• Problemi a Ordine Variabile: Il framework ha appreso con successo le soluzioni per FPDEs dove l'ordine frazionario $\alpha$ era una funzione del tempo $\alpha(t)$ o dello spazio-tempo $\alpha(x,t)$. Nei problemi inversi, ha recuperato accuratamente la funzione dell'ordine frazionario con errori relativi intorno a $10^{-5}$.
• Ordini Discontinui: Il modello ha gestito efficacemente ordini frazionari discontinui (funzioni gradino), catturando i salti nella funzione dell'ordine con un errore relativo $L_2$ di 0.0014.
• Alta Dimensionalità: L'approccio è stato esteso a domini spaziali 2D, dimostrando la fattibilità per FPDEs di dimensioni superiori.
• Robustezza al Rumore: Anche con l'aggiunta di rumore gaussiano dal 20% all'80% al termine forzante, l'errore di test è rimasto stabile intorno a $10^{-2}$, confermando la robustezza del modello.
• Sensibilità agli Iperparametri: Gli esperimenti hanno mostrato che gli errori di test diminuivano con l'aumento dei punti dati e con l'ottimizzazione della larghezza/profondità della rete, raggiungendo errori di $\sim 10^{-5}$ con punti dati 200x200 e una larghezza di rete di 150.

Significato e Affermazioni
Il documento afferma che fPINN-DeepONet fornisce un'alternativa versatile ed efficiente ai metodi tradizionali basati su griglia per la risoluzione di FPDEs complesse. Integrando l'approssimazione L2 con l'apprendimento di operatori, il framework supera i colli di bottiglia computazionali associati alla natura non locale delle derivate frazionarie. Gli autori sottolineano che il loro approccio:

1. Generalizza bene: Gestisce sia ordini frazionari fissi che variabili, inclusi casi discontinui, senza riaddestrare l'intera architettura per ogni nuova configurazione di ordine.
2. Riduce i requisiti di dati: Come metodo informato dalla fisica, sfrutta le equazioni governanti per vincolare lo spazio delle soluzioni, richiedendo meno punti dati etichettati rispetto agli approcci puramente basati sui dati.
3. Rimane robusto: Mantiene l'accuratezza in presenza di rumore significativo, rendendolo adatto a scenari reali dove i dati possono essere imperfetti.

Il lavoro si posiziona come un passo avanti nell'apprendimento automatico scientifico, affrontando specificamente l'area inesplorata della combinazione di approssimazioni L2 con l'apprendimento di operatori deep per FPDEs multi-termine e a ordine variabile.