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

Technische Samenvatting: fPINN-DeepONet voor Meerdere Termen Tijd-Fractionele Gemengde Diffusie-Golfvergelijkingen

Probleemstelling
Het artikel behandelt de uitdaging om meerdere termen tijd-fractionele gemengde diffusie-golfvergelijkingen (TFMDWEs) op te lossen. Deze vergelijkingen generaliseren tijd-fractionele partiële differentiaalvergelijkingen (TFPDEs) met één term en zijn cruciaal voor het modelleren van anomalie diffusieprocessen, visco-elastische demping en sub-diffusieve beweging in snelheidsvelden. Het specifieke probleem betreft vergelijkingen van de vorm:
$$\sum_{i=1}^s K_i {}_0^C D_t^{\alpha_i} u(x, t) = \Delta u(x, t) + f(x, t)$$
waarbij de fractionele orde $\alpha_i$ kan variëren tussen 0 en 2, en de vergelijking meerdere termen met verschillende ordes kan bevatten. Traditionele numerieke methoden (eindige differenties, eindige elementen, spectrale methoden) hebben moeite met deze problemen vanwege het niet-lokale karakter van fractionele afgeleiden en de exponentiële groei in rekentijd voor scenario's met hoge dimensies of variabele orde. Bovendien vertrouwen bestaande deep learning-benaderingen vaak op L1-benaderingen of richten ze zich op vergelijkingen met één term, waardoor er een gat bestaat in het efficiënt behandelen van meervoudige termen en fractionele PDE's (FPDEs) met variabele orde.

Methodologie
De auteurs stellen fPINN-DeepONet voor, een fysisch geïnformeerd deep operator learning-kader dat een nieuwe numerieke benadering integreert met de Deep Operator Network (DeepONet) architectuur.

1. L2-benadering voor Fractionele Afgeleiden:
   De kernnumerieke bijdrage is de afleiding van een L2-benadering voor de Caputo-fractionele afgeleide van orde $\beta \in (1, 2)$. Dit bereikt een nauwkeurigheid van de eerste orde. De auteurs combineren dit met de standaard L1-benadering voor ordes $\alpha \in (0, 1)$. Deze benaderingen worden gebruikt om de tijd-fractionele afgeleiden binnen de verliesfunctie te discretiseren, waardoor het neurale netwerk de op fysica gebaseerde residu kan berekenen zonder expliciete roostergebaseerde oplossers voor de fractionele termen te vereisen.

2. DeepONet Architectuur:
   Het kader maakt gebruik van een DeepONet-structuur bestaande uit:

   • Branch Net: Codeert de invoerfunctie. Afhankelijk van het probleemtype kan deze invoer de bronterm $f(x,t)$, de beginvoorwaarden, of de fractionele ordefunctie $\alpha(x,t)$ zijn (voor problemen met variabele orde). De invoer wordt gediscretiseerd op een set sensorpunten.
   • Trunk Net: Verwerkt de query-coördinaten $(x, t)$ binnen het ruimtetijd-domein.
   • Output: Het inwendig product van de Branch- en Trunk-uitgangen benadert de oplossingsoperator $G^\dagger$, die invoerfuncties afbeeldt op de oplossing $u(x,t)$.

3. Constructie van de Verliesfunctie:
   Het trainingsdoel minimaliseert een totale verliesfunctie $L = L_{phy} + L_{data}$:

   • Fysisch Verlies ($L_{phy}$): Omvat het residu van de regerende FPDE, beginvoorwaarden en randvoorwaarden. Cruciaal worden de fractionele afgeleide termen in het residu berekend met behulp van de voorgestelde L2/L1-benaderingen die worden toegepast op de voorspelde output van het netwerk.
   • Data Verlies ($L_{data}$): Meet de gemiddelde kwadratische fout tussen de voorspelde oplossing en beschikbare grondwaarheid-gegevens (indien beschikbaar).

4. Algoritmen:
   Het artikel beschrijft twee specifieke algoritmen:

   • Algoritme 1: Lost FPDEs met vaste fractionele orde op waarbij de branch net-invoer de bronterm of beginvoorwaarden is.
   • Algoritme 2: Lost FPDEs met variabele fractionele orde op waarbij de branch net-invoer de fractionele ordefunctie $\alpha(x,t)$ is, waardoor het model kan generaliseren over verschillende ordeconfiguraties.

Belangrijkste Bijdragen

• Nieuw Benaderingsschema: De afleiding en integratie van een L2-benadering voor Caputo-afgeleiden van orde $\beta \in (1, 2)$ in een fysisch geïnformeerd neurale netwerken-kader.
• Operator Learning voor Meerdere Termen FPDEs: De eerste toepassing van DeepONet op meerdere termen tijd-fractionele gemengde diffusie-golfvergelijkingen, waarbij zowel vaste als variabele fractionele ordes binnen een unificerend kader worden behandeld.
• Veelzijdigheid in Probleemtypen: Het kader wordt gedemonstreerd om voorwaartse problemen (voorspellen van oplossingen), inverse problemen (identificeren van fractionele ordes) op te lossen en om te gaan met discontinuë fractionele ordes en ruimtelijke domeinen met hoge dimensies.
• Robuustheid: Het model is getest onder omstandigheden met ruis in de gegevens, waarbij weerstand wordt getoond tegen Gaussische ruisniveaus tot 80%.

Experimentele Resultaten
De auteurs hebben uitgebreide numerieke experimenten uitgevoerd met de PyTorch-bibliotheek:

• Problemen met Vaste Orde: Het model bereikte hoge nauwkeurigheid voor FODEs en FPDEs met vaste ordes (bijv. $\alpha=0.5, \beta=1.5$), met relatieve $L_2$-fouten zo laag als $10^{-6}$ voor TFMDWEs.
• Problemen met Variabele Orde: Het kader leerde succesvol oplossingen voor FPDEs waarbij de fractionele orde $\alpha$ een functie was van tijd $\alpha(t)$ of ruimte-tijd $\alpha(x,t)$. In inverse problemen werd de fractionele ordefunctie nauwkeurig hersteld met relatieve fouten rond de $10^{-5}$.
• Discontinuë Ordes: Het model hanteerde effectief discontinuë fractionele ordes (stapfuncties), waarbij de sprongen in de ordefunctie werden vastgelegd met een relatieve $L_2$-fout van 0,0014.
• Hoge Dimensies: De aanpak werd uitgebreid naar ruimtelijke domeinen van 2D, wat de haalbaarheid voor FPDEs met hogere dimensies aantoont.
• Ruis-robustheid: Zelfs met 20% tot 80% Gaussische ruis toegevoegd aan de dwingende term, bleef de testfout stabiel rond de $10^{-2}$, wat de robuustheid van het model bevestigt.
• Hyperparameter-gevoeligheid: Experimenten toonden aan dat testfouten afnamen met meer datapunten en geoptimaliseerde netwerkbreedte/-diepte, waarbij fouten van $\sim 10^{-5}$ werden bereikt met 200x200 datapunten en een netwerkbreedte van 150.

Betekenis en Beweringen
Het artikel beweert dat fPINN-DeepONet een veelzijdig en efficiënt alternatief biedt voor traditionele roostergebaseerde methoden voor het oplossen van complexe fractionele PDEs. Door de L2-benadering te integreren met operator learning, overwint het kader de rekenkundige knelpunten die samenhangen met het niet-lokale karakter van fractionele afgeleiden. De auteurs benadrukken dat hun aanpak:

1. Goed generaliseert: Het behandelt zowel vaste als variabele fractionele ordes, inclusief discontinuë gevallen, zonder de hele architectuur opnieuw te hoeven trainen voor elke nieuwe ordeconfiguratie.
2. Data-eisen verlaagt: Als een fysisch geïnformeerde methode maakt het gebruik van de regerende vergelijkingen om de oplossingsruimte te beperken, waardoor minder gelabelde datapunten nodig zijn in vergelijking met puur datagedreven benaderingen.
3. Robuust blijft: Het behoudt nauwkeurigheid in aanwezigheid van aanzienlijke ruis, waardoor het geschikt is voor real-world scenario's waar gegevens onvolmaakt kunnen zijn.

Het werk positioneert zichzelf als een stap voorwaarts in wetenschappelijk machine learning, specifiek gericht op het onontgonnen gebied van het combineren van L2-benaderingen met deep operator learning voor meervoudige termen en FPDEs met variabele orde.