Exterior complex scaling enables physics-informed neural networks for quantum scattering

这项工作证明了外部复标度变换能将非衰减的散射波函数转化为指数衰减形式，从而使物理信息神经网络首次能够准确求解核散射问题，并为高效的反问题求解和复杂反应建模铺平了道路。

要点

核心问题： “无尽的回声”

想象一下，你正试图预测一个球从墙壁弹回来的轨迹。在原子和原子核的世界里，这个“球”是一个粒子，而“墙”是另一个原子核。当它们碰撞时，并不会就此停止；它们会发生散射。

在物理学中，描述这种散射的数学模型就像是一个永不停歇的波。它像是在无尽峡谷中的声波一样，在空间中不断地来回振荡。

几十年来，科学家一直使用标准的计算机程序来求解这些方程。这些程序的工作方式就像是一个网格或一把梯子：它们从一个点迈向下一个点。但由于波永远不会停止，计算机必须不停地迈步才能得到正确的答案。如果你过早地停止爬梯子，就会得到错误的答案（就像是一个本不该存在的回声在墙壁上反弹）。

最近，一种被称为**物理信息神经网络（PINN）**的新型计算机程序变得流行起来。你可以把 PINN 想象成一个非常聪明的学生，他通过观察游戏的规则（物理方程）来学习，而不是通过在网格中一步步挪动。PINN 非常擅长解决那些事物会趋于稳定并停止的问题（比如热量冷却的过程）。但它们在处理核散射问题时表现得非常糟糕，因为那里的“波”永远不会稳定下来，而是会一直振荡下去。这个“学生”会被搞糊涂，从而找不到答案。

解决方案： “复数镜面”

本文作者 Jin Lei 发现了一个巧妙的技巧，让这个神经网络学生能够理解这个问题。他使用了一种被称为**外部复数标度法（ECS）**的数学技术。

想象一下，核碰撞发生在一个房间里。

1. 真实的房间： 在房间内部（靠近原子核的地方），物理现象是正常的。粒子在里面弹跳，墙壁也是真实的。
2. 复数镜面： 一旦粒子离开房间进入“外部”，作者将地板变成了一面镜子，将世界折射到了另一个维度（复平面）。

在这个倾斜的、“复数”的世界里，那股无尽振荡的波突然发生了转变。它不再是永远来回弹跳，而是开始像消散在浓雾中的声音一样逐渐衰减。它变成了一个“指数衰减波”。

现在，神经网络学生开心了！它看到的是一个正在消退并停止的波。它可以轻松地学习规则，因为这个问题看起来就像是它擅长的那些“趋于稳定”的问题。

“驱动”技巧：分离噪声

为了让这一切完美运行，作者还改变了提问的方式。

他并没有要求神经网络从头开始推导整个波，而是将其拆分为两个部分：

1. 已知部分： 一个“背景”波，即计算机已经知道如何计算的部分（就像一段标准的声波）。
   2.“驱动”部分： 由碰撞引起的混乱且有趣的波动部分。

作者设置了数学机制，使得这个“混乱”的部分只存在于原子核实际接触的地方（即真实的房间）。一旦粒子离开那个房间，这个“混乱”的部分就会被强制归零。这意味着神经网络只需要学习真实房间里的混乱部分，然后观察它在复数镜面中逐渐消退。它不需要去猜测无限远处的发生情况；数学逻辑强制它在那里消散。

结果：测试新方法

作者通过两种不同的场景测试了这种新方法，以证明其有效性：

1. 轻量级测试（中子 + 钙）： 他模拟了一个中子撞击钙原子核的过程。结果极其精确，几乎完美匹配了最优秀的传统计算机方法。两者之间的差异微乎其微（在弹跳角度上不到十分之一度）。
2. 重量级测试（锂 + 铅）： 他模拟了锂与铅之间较重的碰撞。这更难，因为它们之间的电斥力巨大。该方法依然奏效，即使在粒子几乎接触的复杂“灰色地带”，也能准确预测粒子的散射情况。

为什么这很重要（根据论文观点）

论文声称这是一个突破，因为：

• 它解决了他人失败的问题： 这是神经网络首次成功解决这类特定的核散射问题。
• 它是“端到端”的： 因为整个过程都是基于神经网络构建的，所以你可以调整输入（例如核力的强度），计算机能瞬间得知输出的变化。这对于“逆问题”非常有用——即通过粒子弹跳的方式来推测原子核的形态。
• 它能处理“困难”任务： 它可以处理复杂的形状和多粒子系统，而不需要构建一个僵化的网格，通常这种网格在情况变得过于复杂时会导致计算机崩溃。

简而言之： 作者构建了一个数学“漏斗”（复数标度法），将一个不可能完成的、无尽波动的难题，转化为了一个简单的、逐渐消退的波形问题，从而让现代人工智能能够轻松且准确地解决它。

技术摘要

技术摘要：外部复数缩放使物理信息神经网络能够处理核反应问题

问题陈述
物理信息神经网络（PINNs）已成为求解各个领域微分方程的强大工具。然而，由于散射波函数的特性，其在核散射领域的应用受到了根本性的阻碍。与波函数呈指数衰减的束缚态问题不同，散射波函数在所有半径处保持振荡状态，并在无穷远处满足辐射边界条件（Sommerfeld 条件）。传统的 PINNs 在有限计算域内运行，且要求边界条件能够独立于解进行指定。这种振荡、非衰减的散射波特性使得无法在有限边界上施加简单的狄利克雷（Dirichlet）或诺伊曼（Neumann）条件；截断计算域会引入伪反射，从而污染解。这种振荡辐射条件与有限域计算之间的不兼容性，此前阻碍了 PINNs 在核反应问题中的应用。

方法论
本研究引入了一个结合**外部复数缩放（Exterior Complex Scaling, ECS）**与 PINNs 的框架，以克服边界条件这一障碍。该方法由三个主要部分组成：

1. 外部复数缩放 (ECS)： 在超过缩放半径 $R_0$ 之后，将径向坐标 $r$ 解析延拓到复平面内。对于 $r > R_0$，坐标按角度 $\theta$ 进行旋转。这种变换将外向振荡波（$e^{ikr}$）转换为指数衰减函数（$e^{ikr \cos \theta} e^{-kr \sin \theta}$）。因此，该变换将散射问题转化为一个具有平方可积（$L^2$）边界条件的问题，从而允许将波函数在有限的外边界处设为零，而不会产生伪反射。至关重要的是，ECS 变换使核相互作用区域保持在实轴上，避免了将核势能解析延拓到复平面的需求。

2. 驱动方程表述： 为了进一步简化学习任务，总波函数 $u(r)$ 被分解为一个已知的入射库仑波 $u_{in}(r)$ 和一个散射波 $u_{sc}(r)$。散射波满足一个非齐次驱动方程，其源项完全局限在实轴内（在核范围内）。在 ECS 区域（$r > R_0$），源项消失，散射波满足具有指数衰减边界条件的齐次方程。这种表述允许神经网络学习一个趋于零的函数，而非一个振荡函数。

3. 神经网络架构与训练：

   • 架构： 使用带有正弦激活函数（$\sin(z)$）的全连接前馈网络来表示散射波的实部和虚部。
   • 边界条件： 通过硬编码的多项式因子强制执行 $u_{sc}(0)=0$ 和 $u_{sc}(R_{max})=0$。引入了一种Sigmoid 封顶边界条件因子，以防止在高角动量（$\ell$）通道中出现数值溢出，因为在这些通道中，标准的 $r^{\ell+1}$ 行为会要求网络输出极小的值。
   • 损失函数： 损失函数结合了驱动方程的残差项和一个锚点项（anchor term），以防止出现平凡解（即 $u_{sc}=0$）。
   • 自动适应性锚点热降（Auto-Adaptive Anchor Warm-Down）： 对于源项较弱的通道（高 $\ell$ 或强库仑抑制），固定的锚点可能会导致解产生偏差。作者实现了一种自动适应机制，对于源项强度低于阈值的通道，锚点权重会线性“热降”至零。这确保了最终解仅由残差损失驱动，消除了在近透明通道中可能存在的人工吸收偏差。
   • 训练策略： 采用了两阶段训练过程（Adam 优化器随后是 L-BFGS）。对于重离子系统，使用了一种因果训练策略，通过从核内部向外逐步扩展训练区域，以确保稳定收敛。

核心贡献

• 首次将 PINNs 应用于核反应： 本工作通过利用 ECS 解决边界条件不兼容问题，展示了 PINNs 在核散射问题上的首次成功应用。
• 驱动方程表述： 开发了一种源项受限的驱动方程，避免了对核势能进行解析延拓。
• 技术创新： 引入了用于高 $\ell$ 稳定性的 Sigmoid 封顶边界因子，以及用于无偏差处理弱源项通道的自动适应性锚点热降技术。
• 端到端可微性： 该框架建立了一个全过程可微的流水线，从而能够通过梯度下降法直接优化光学势参数（逆问题）。

结果
该方法针对两个基准系统，通过与已有的 COLOSS 代码（使用带复数缩放的 Lagrange 网格离散化）进行对比验证：

1. 中子-原子核散射（$n + ^{40}\text{Ca}$，能量 20 MeV）：

   • 计算了 21 个偏波（包括直到 $\ell=10$ 的自旋-轨道伴随波），使用的是 Koning-Delaroche 全局光学势。
   • 精度： 对于强吸收通道（$\ell \le 4$），相移误差（$\Delta\delta$）$\lesssim 0.1^\circ$；对于所有高达 $\ell=10$ 的通道，误差 $\le 0.60^\circ$。所有通道的平均误差为 $0.09^\circ$。
   • 波函数： PINN 与参考解之间的相对均方根（RMS）差异在低 $\ell$ 通道中低于 $0.15\%$，即使在最差情况下，在所有通道中也低于 $2\%$。

2. 重离子散射（$^6\text{Li} + ^{208}\text{Pb}$，能量 40 MeV）：

   • 计算了 41 个具有强库仑效应（$\eta \approx 15$）的偏波。
   • 精度： 所有偏波的 S 矩阵平均精度为 $|\Delta|S_\ell|| \approx 3 \times 10^{-3}$。在极具挑战性的吸收-透明过渡区域（$\ell \approx 25\text{--}30$），误差仍保持在 $0.007$ 以下。
   • 观测物理量： 计算出的卢瑟福比（Rutherford ratio）在三个数量级内重现了参考解，捕捉到了特征性的库仑-核干涉模式。

意义与声明
论文声称，这项工作为将 PINNs 扩展到核反应物理学领域奠定了基础。其主要意义在于实现了端到端的可微性，这使得可以直接通过实验数据拟合光学势参数，而传统方法通常需要昂贵的外部循环优化。此外，该方法的无网格特性为求解耦合通道反应和多体散射问题（如 Faddeev 方程）提供了潜在途径，因为在这些问题中，传统的基于网格的方法面临着指数级的计算成本增长。

作者指出，目前该方法仅限于物理过程局限在 ECS 缩放半径之内的反应（弹性、非弹性及转移反应）。受长程电磁跃迁主导的过程（例如子势垒库仑激发）无法直接在该框架内处理。目前的计算成本高于传统的积分方法（每个通道需数分钟，而传统方法仅需数秒），但作者认为，对于需要可微性或无网格表述的研究应用而言，这是可以接受的。