Physics-Informed Neural Networks for Computing the Morse Index of the Critical Catenoid

技术摘要：利用物理信息神经网络计算临界悬链面（Critical Catenoid）的莫尔斯指数（Morse Index）

问题陈述
本文旨在解决自由边界极小曲面（FBMS）——特别是单位球 $B^3$ 中的临界悬链面——的莫尔斯指数计算问题。莫尔斯指数衡量了曲面在二阶意义下通过扰动以减小面积的独立方向数量，它被编码在 Jacobi–Steklov 谱中。虽然临界悬链面的莫尔斯指数在解析上已知为 4（零度为 2），但作者旨在开发一种不依赖于闭式谱解的数值流水线。其最终目标是验证一种能够处理边界曲率非恒定且指数未知的几何族（例如椭球体中的 FBMS）的方法。

方法论
作者采用物理信息神经网络（PINN）来求解 Jacobi–Steklov 特征值问题。该方法包含以下步骤：

1. 数学约化： 利用临界悬链面的旋转对称性，将问题从二维曲面约化为在区间 $[-T, T]$ 上的族一维 Robin 特征值问题，每个傅里叶模态 $n$ 对应一个问题。控制方程为 $f''(t) + (2/\cosh^2 t - n^2)f(t) = 0$，并受涉及特征值 $\delta$ 的 Robin 边界条件约束。
2. PINN 架构： 一个具有四个隐藏层（宽度 64，tanh 激活函数）的全连接神经网络用于逼近特征函数 $f(t)$。
   • 奇偶性约束： 一项关键的架构修改是通过构造强制执行解的奇偶性（即 $f(t) = N(t) \pm N(-t)$，对应偶模态/奇模态）。这防止了网络收敛到会破坏特征值估计的混合奇偶性伪极小值。
   • 可训练特征值： 特征值 $\delta$ 被视为一个可训练的标量参数，通过梯度下降与网络权重一同进行优化。
3. 损失函数： 网络通过最小化复合损失函数进行训练，该函数包含：
   • 内部 ODE 残差（$L_{pde}$）。
   • Robin 边界残差（$L_{bc}$）。
   • 归一化约束（$L_{norm}$），以防止平凡解。
4. 谱流分析（Spectral Flow Analysis）： 为了理解指数如何变化，作者构建了一个从平坦参考算子到悬链面 Jacobi 算子的单参数算子同伦。他们通过高精度 ODE 射击法（ODE shooting）追踪特征值跨越稳定性阈值（$\delta = 1$）的过程，并利用 PINN 进行抽样校验。

核心贡献

1. 受奇偶性约束的 PINN 恢复： 作者成功恢复了位于稳定性阈值以下（$\delta < 1$）的三个 Jacobi–Steklov 特征值，其相对于精确值的误差在 $10^{-6}$ 至 $10^{-4}$ 之间。这使得能够正确计算莫尔斯指数（4）和零度（2）。
2. 谱间隙识别： 研究确立了一个谱间隙陈述，确认不存在于开区间 $(0.4392, 1)$ 内的特征值，从而隔离了负责该指数的特征值。
3. 算子同伦与谱流： 本文计算了连接平坦条带与悬链面的同伦的谱流。研究识别了特定的特征值交叉（特别是 $n=0$ 的偶模态和 $n=2$ 的偶对模态），这些交叉驱动了指数的非单调变化（先升至 7，最后稳定在 4）。
4. 刚性证明： 作者证明了临界悬链面是刚性的；定义同伦的参数在中间值并不对应实际的自由边界极小曲面。这澄清了该同伦变形的是算子而非曲面。

结果

• 精度： PINN 恢复了精确的莫尔斯指数 4 和零度 2。特征函数与解析解在绘图精度上相符，且 PDE 残差处于 $10^{-4}$ 量级。
• 谱流动力学： 谱流揭示了指数沿同伦过程是分段常数的。在中间阶段，由于瞬态特征值跨越阈值，指数上升至 7，仅在端点 $s=1$（即严格满足自由边界条件时）才降至 4。
• 刚性确认： 证明确认了同伦中的中间算子不对应任何 FBMS，从而验证了将谱流解释为算子理论现象而非几何曲面变形的正确性。

意义与主张
本文明确指出，对于这个特定的一维问题，PINN 在与经典特征值求解器的竞争中并不占优势。其意义在于流水线的可迁移性。不同于分离变量法（在非对称区域会失效），该 PINN 构建方式（奇偶性约束、特征值作为参数、损失结构）在转向二维问题时，其结构保持不变。

作者将此工作定位为未来应用于椭球体的校准步骤。在这些几何形状中，边界曲率是非恒定的，分离变量法无法使用，且莫尔斯指数未知。本文展示了所提方案如何在对称情况下成功恢复已知的指数，从而为处理真正缺乏解析解的几何族奠定了基础。本文并不声称已经解决了椭球体问题，而是提供了一个经过验证的、用于尝试解决该问题的有效方法论。