技术摘要：分数阶抛物型偏微分方程解的神经网络逼近

1. 问题陈述

本文研究了使用神经网络逼近带有低阶漂移项和势项的分数阶抛物型偏微分方程 (PDE) 解的挑战。具体考虑如下方程：
$$\begin{cases} \partial_t v = \Delta^{\gamma/2} v + (b \cdot \nabla v) \mathbb{1}_{\{\gamma>1\}} + cv + f, & \text{在 } (0, T) \times \mathbb{R}^d \text{ 内}, \\ v(0, \cdot) = v_0, & \text{在 } \mathbb{R}^d \text{ 内}, \end{cases}$$
其中 $\Delta^{\gamma/2}$ 是分数阶拉普拉斯算子，$b$ 和 $c$ 分别是漂移和势系数，$f$ 是源项。

核心难点在于建立维度高效 (dimension-efficient) 的逼近界限。基于 Sobolev 或 Hölder 正则性的经典逼近理论受困于“维度诅咒”，即所需的参数数量随空间维度 $d$ 指数级增长。虽然 Barron 空间提供了一个实现维度无关逼近的框架，但由于时间与空间频率之间存在内在的各向异性耦合（一个时间导数对应 $\gamma$ 个空间导数），且对于一般的低阶项缺乏显式表示公式，将该理论扩展到分数阶抛物型方程具有高度非平凡性。

2. 研究方法

2.1. 各向异性谱 Barron 空间

作者引入了各向异性谱 Barron 空间（记作 $B_{\alpha, \beta}(T)$），以捕捉抛物型问题的特定正则结构。不同于测量各向同性正则性的标准 Barron 空间，这些空间通过时空傅里叶变换的加权 $L^1$ 范数分别测量阶数为 $\alpha$ 的时间正则性和阶数为 $\beta$ 的空间正则性：
$$\|v\|_{B_{\alpha, \beta}(\mathbb{R}^{d+1})} := \int_{\mathbb{R}} \int_{\mathbb{R}^d} (1 + |\tau|^\alpha + |\xi|^\beta) |F_{d+1}[v](\tau, \xi)| \, d\xi \, d\tau < \infty.$$
文中建立了这些空间的 Banach 空间结构、嵌入关系、插值不等式以及至关重要的维度无关乘法估计。这些估计使得控制低阶项（$b \cdot \nabla v$ 和 $cv$）成为可能，且常数不会随维度$d$ 的增加而恶化。

2.2. 通过 Vandermonde 延拓实现的极大正则性理论

一个核心技术障碍是：解 $v$ 仅在 $t \in [0, T]$ 上有定义，而 Barron 范数需要全局时空傅里叶延拓。为了弥合这一差距，作者开发了分数阶抛物算子的极大正则性理论：

1. 基于 Vandermonde 的反射： 他们构造了有限时间分数阶热半群在 $t=0$ 处的全局延拓。通过求解一个 Vandermonde 系统，他们确定了反射系数，以确保延拓核在 $t=0$ 处的各阶时间导数均能匹配。这种抵消消除了时间傅里叶变换在大频率展开中的前 $N$ 项。
2. 连续性方法： 使用连续性方法将低阶漂移项和势项纳入其中。通过一个有限的引导（bootstrap）论证，将所需的估计简化到一个基础正则性空间，在该空间中，通过足够大的阻尼参数可以吸收低阶项。
   3.结果： 他们证明，如果初始数据 $v_0 \in B_{\gamma+s}(\mathbb{R}^d)$ 且源项 $f \in B_{s/\gamma, s}(T)$，则解 $v$ 会获得正则性提升，属于 $B_{1+s/\gamma, \gamma+s}(T)$。

2.3. 神经网络逼近

作者将建立的 Barron 正则性转化为两层神经网络的逼近界限，其形式为：
$$v_n(t, x) = \sum_{j=1}^n c_j \sigma(W_{t,j} t + W_{x,j} \cdot x + b_j).$$
利用希尔伯特空间采样引理 (Hilbert-space sampling lemma)，他们将目标函数表示为源自傅里叶反演公式的“脊原子 (ridge atoms)”的期望。通过对这些原子进行采样，他们构造了一个有限和近似。

• 非周期激活函数： 需要激活函数满足额外的多项式衰减条件，并要求目标函数具有稍高的 Barron 正则性。
• 周期激活函数： 可以直接从自然的各向异性 Barron 范数进行逼近，无需额外的衰减假设。

3. 关键结果

3.1. 正则性估计 (定理 1.3)

对于带有低阶项的分数阶抛物方程，解算子保持并提升了 Barron 正则性。具体而言，若 $v_0 \in B_{\gamma+s}(\mathbb{R}^d)$ 且 $f \in B_{s/\gamma, s}(T)$，则存在唯一的解 $v \in B_{1+s/\gamma, \gamma+s}(T)$ 满足：
$$\|v\|_{B_{1+s/\gamma, \gamma+s}(T)} \leq C(T, s, \gamma, \|b\|, \|c\|) \left( \|v_0\|_{B_{\gamma+s}(\mathbb{R}^d)} + \|f\|_{B_{s/\gamma, s}(T)} \right).$$
至关重要的是，常数 $C$ 与空间维度 $d$ 无关。

3.2. 逼近界限 (定理 1.4 和 4.9)

论文推导了处于各向异性 Barron 空间中的解在混合 Sobolev 范数下的 $n^{-1/2}$ 逼近速率。对于属于 $B_{1+s/\gamma, \gamma+s}(T)$ 的解 $v$，存在一个两层神经网络 $v_n$ 使得：
$$\|v - v_n\|_{H^{1+s/\gamma}((0,T); L^2(\Omega))} + \|v - v_n\|_{L^2((0,T); H^{\gamma+s}(\Omega))} \leq C n^{-1/2} \|v\|_{B_{1+s/\gamma, \gamma+s}(T)}.$$
该速率与维度 $d$ 无关，证明了神经网络可以避免此类 PDE 的维度诅咒。

3.3. 均匀时间估计的失效 (第 3.4 节)

作者提供了一个反例，表明各向异性时空表述通常不能被一致时间 (uniform-in-time) 谱 Barron 估计（即 $L^\infty((0, T); B_\beta(\mathbb{R}^d))$）所取代。他们构造了一个支撑在不相交时间区间上的强迫项，该项的均匀时间 Barron 范数保持有界，但所有频率包的贡献会在稍后的观测时间累积，导致解的范数随包的数量增加而趋于无穷大。这强调了时空各向异性框架的必要性。

4. 意义与主张

本文声称填补了一个重要的分析空白，即为分数阶抛物型方程提供了一个系统的时空 Barron 框架。其主要贡献包括：

1. 维度无关的正则性： 证明了这些复杂 PDE 的解算子在存在漂移项和势项的情况下，能将 Barron 型数据映射为 Barron 型解，且不依赖于维度。
2. 新颖的延拓技术： 将 Vandermonde 矩阵应用于有限时间分数阶热半群的延拓，被视为一项关键的技术创新，它使得通过全局傅里叶结构分析前向时间演化成为可能。
3. 效率的证明： 通过将 PDE 正则性与神经网络逼近联系起来，这项工作为神经网络能够高效逼近高维抛物型 PDE 解提供了分析层面的解释，从而超越了单纯的密度结果，实现了定量的、无维度的误差界限。

作者强调，尽管之前的研究（如 E 和 Wojtowytsch）通过显式的热核表示处理了平移不变方程，但本研究将理论扩展到了存在低阶项的一般算子，在这些算子中，此类显式公式是不可用的，因此必须依赖极大正则性和连续性方法。