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

Resumo Técnico: fPINN-DeepONet para Equações de Difusão-Onda Mistas de Tempo Fracionário Multi-Termo

Enunciado do Problema
O artigo aborda o desafio de resolver equações de difusão-onda mistas de tempo fracionário multi-termo (TFMDWEs). Estas equações generalizam equações diferenciais parciais de tempo fracionário de termo único (TFPDEs) e são críticas para modelar processos de difusão anômala, amortecimento viscoelástico e movimento sub-difusivo em campos de velocidade. O problema específico envolve equações da forma:
$$\sum_{i=1}^s K_i {}_0^C D_t^{\alpha_i} u(x, t) = \Delta u(x, t) + f(x, t)$$
onde as ordens fracionárias $\alpha_i$ podem variar entre 0 e 2, e a equação pode envolver múltiplos termos com diferentes ordens. Métodos numéricos tradicionais (diferenças finitas, elementos finitos, métodos espectrais) lutam com estes problemas devido à natureza não local das derivadas fracionárias e ao crescimento exponencial do custo computacional para cenários de alta dimensão ou ordem variável. Além disso, abordagens existentes de aprendizado profundo frequentemente dependem de aproximações L1 ou focam em equações de termo único, deixando uma lacuna no tratamento eficiente de EDPs fracionárias (FPDEs) multi-termo e de ordem variável.

Metodologia
Os autores propõem fPINN-DeepONet, um quadro de aprendizado de operador profundo informado por física que integra uma aproximação numérica novel com a arquitetura de Rede de Operador Profundo (DeepONet).

1. Aproximação L2 para Derivadas Fracionárias:
   A contribuição numérica central é a derivação de uma aproximação L2 para a derivada fracionária de Caputo de ordem $\beta \in (1, 2)$. Isso alcança precisão de primeira ordem. Os autores combinam isso com a aproximação L2 padrão para ordens $\alpha \in (0, 1)$. Estas aproximações são usadas para discretizar as derivadas de tempo fracionário dentro da função de perda, permitindo que a rede neural compute o resíduo baseado em física sem exigir solucionadores baseados em grade explícitos para os termos fracionários.

2. Arquitetura DeepONet:
   O quadro utiliza uma estrutura DeepONet consistindo de:

   • Rede de Ramos (Branch Net): Codifica a função de entrada. Dependendo do tipo de problema, esta entrada pode ser o termo fonte $f(x,t)$, as condições iniciais, ou a função de ordem fracionária $\alpha(x,t)$ (para problemas de ordem variável). A entrada é discretizada em um conjunto de pontos sensores.
   • Rede de Tronco (Trunk Net): Processa as coordenadas de consulta $(x, t)$ dentro do domínio espaço-temporal.
   • Saída: O produto escalar das saídas da Rede de Ramos e da Rede de Tronco aproxima o operador solução $G^\dagger$, mapeando funções de entrada para a solução $u(x,t)$.

3. Construção da Função de Perda:
   O objetivo de treinamento minimiza uma função de perda total $L = L_{phy} + L_{data}$:

   • Perda Física ($L_{phy}$): Incorpora o resíduo da EDP fracionária governante, condições iniciais e condições de contorno. Crucialmente, os termos de derivada fracionária no resíduo são computados usando as aproximações L2/L1 propostas aplicadas à saída prevista pela rede.
   • Perda de Dados ($L_{data}$): Mede o erro quadrático médio entre a solução prevista e os dados de verdade disponíveis (se disponíveis).

4. Algoritmos:
   O artigo detalha dois algoritmos específicos:

   • Algoritmo 1: Resolve FPDEs de ordem fracionária fixa onde a entrada da rede de ramos é o termo fonte ou condições iniciais.
   • Algoritmo 2: Resolve FPDEs de ordem fracionária variável onde a entrada da rede de ramos é a função de ordem fracionária $\alpha(x,t)$, permitindo que o modelo generalize através de diferentes configurações de ordem.

Principais Contribuições

• Esquema de Aproximação Novel: A derivação e integração de uma aproximação L2 para derivadas de Caputo de ordem $\beta \in (1, 2)$ em um quadro de rede neural informada por física.
• Aprendizado de Operador para FPDEs Multi-Termo: A primeira aplicação de DeepONet a equações de difusão-onda mistas de tempo fracionário multi-termo, lidando com ordens fracionárias fixas e variáveis dentro de um quadro unificado.
• Versatilidade em Tipos de Problema: O quadro é demonstrado resolvendo problemas diretos (previsão de soluções), problemas inversos (identificação de ordens fracionárias) e lidando com ordens fracionárias descontínuas e domínios espaciais de alta dimensão.
• Robustez: O modelo é testado sob condições de dados ruidosos, demonstrando resiliência a níveis de ruído gaussiano de até 80%.

Resultados Experimentais
Os autores conduziram extensos experimentos numéricos usando a biblioteca PyTorch:

• Problemas de Ordem Fixa: O modelo alcançou alta precisão para FODEs e FPDEs com ordens fixas (ex: $\alpha=0.5, \beta=1.5$), com erros relativos $L_2$ tão baixos quanto $10^{-6}$ para TFMDWEs.
• Problemas de Ordem Variável: O quadro aprendeu com sucesso soluções para FPDEs onde a ordem fracionária $\alpha$ era uma função do tempo $\alpha(t)$ ou espaço-tempo $\alpha(x,t)$. Em problemas inversos, recuperou com precisão a função de ordem fracionária com erros relativos em torno de $10^{-5}$.
• Ordens Descontínuas: O modelo lidou efetivamente com ordens fracionárias descontínuas (funções degrau), capturando os saltos na função de ordem com um erro relativo $L_2$ de 0,0014.
• Altas Dimensões: A abordagem foi estendida para domínios espaciais 2D, demonstrando viabilidade para FPDEs de dimensões superiores.
• Robustez ao Ruído: Mesmo com ruído gaussiano de 20% a 80% adicionado ao termo de força, o erro de teste permaneceu estável em torno de $10^{-2}$, confirmando a robustez do modelo.
• Sensibilidade a Hiperparâmetros: Experimentos mostraram que os erros de teste diminuíram com o aumento de pontos de dados e largura/profundidade otimizadas da rede, alcançando erros de $\sim 10^{-5}$ com 200x200 pontos de dados e uma largura de rede de 150.

Significado e Alegações
O artigo alega que o fPINN-DeepONet fornece uma alternativa versátil e eficiente aos métodos baseados em grade tradicionais para resolver EDPs fracionárias complexas. Ao integrar a aproximação L2 com aprendizado de operador, o quadro supera os gargalos computacionais associados à natureza não local das derivadas fracionárias. Os autores enfatizam que sua abordagem:

1. Generaliza bem: Lida com ordens fracionárias fixas e variáveis, incluindo casos descontínuos, sem re-treinar toda a arquitetura para cada nova configuração de ordem.
2. Reduz requisitos de dados: Como um método informada por física, alavanca as equações governantes para restringir o espaço de soluções, exigindo menos pontos de dados rotulados em comparação com abordagens puramente orientadas a dados.
3. Permanece robusto: Mantém precisão na presença de ruído significativo, tornando-o adequado para cenários do mundo real onde os dados podem ser imperfeitos.

O trabalho posiciona-se como um passo adiante no aprendizado de máquina científico, abordando especificamente a área inexplorada de combinar aproximações L2 com aprendizado de operador profundo para FPDEs multi-termo e de ordem variável.