🤖 machine learning

Robust data-driven discovery of fractional differential equations via weak formulations and Pareto-based subset selection

本文介绍了 Weak-Pareto，这是一个鲁棒的数据驱动框架，它结合了伴随一致的弱形式化方法与基于帕累托（Pareto）的子集选择技术，通过减轻噪声放大效应并同时优化离散项结构与连续分数阶，从而从噪声数据中准确地发现分数阶微分方程。

原作者： Pongpisit Thanasutives, Yoshinobu Kawahara

发布于 2026-08-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Pongpisit Thanasutives, Yoshinobu Kawahara

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

侦探的困境：在嘈杂世界中寻找隐藏规律

想象你是一名侦探，正试图通过观察玩家来弄清游戏的规则。你看到一个球在滚动、一辆车在转弯，或者一种病毒在传播，你想写下解释这一切发生的精确数学公式。这就是“数据驱动发现”的梦想：让数据告诉我们自然界的规律，而不是先进行猜测。

然而，现实生活是混乱的。我们收集的数据永远不会是完美的；它充满了静态噪声、故障和随机干扰，就像试图在摇滚演唱会中听清一声耳语。在物理学世界中，有些系统不仅仅是对身边的变化做出反应；它们还拥有跨越空间和时间的“长时记忆”或“幽灵般的联系”。科学家称之为“分数阶”（fractional）系统。这就像人群中的“人浪”：后方的人不仅是对前方的人做出反应，他们是对整个波浪模式做出反应。

问题在于，当你试图利用带有噪声的数据来寻找这些幽灵般联系背后的数学逻辑时，常规工具会让情况变得更糟。尝试在混乱的数据集上计算变化率（求导），就像是通过调高对比度来锐化一张模糊的照片——这只会让模糊感爆炸成一团无法使用的乱麻。这篇论文探讨了一个重大问题：我们如何在不让噪声淹没信号的情况下，找到这些复杂系统的隐藏、幽灵般的规则？

解决方案：Weak-Pareto，防噪侦探

研究人员 Pongpisit Thanasutives 和 Yoshinobu Kawahara 开发了一种名为 Weak-Pareto 的新工具。这是一个巧妙结合了两种理念的组合，旨在解决“噪声数据”问题。

1. “奶昔”技巧（弱形式/Weak Formulation）
通常，当科学家尝试寻找方程时，他们会逐点观察数据，比如检查汽车在每一秒钟的速度。如果数据有噪声，这简直是一场灾难，因为噪声会被放大，将一个微小的故障变成巨大的误差。

Weak-Pareto 采取了不同的做法。它不看单个点，而是使用“弱形式”。想象你有一桶浑浊的水（噪声数据），你想知道其中有多少泥沙。与其尝试数清每一粒泥沙（这几乎不可能，因为它们太小且在移动），不如将整桶水倒入一个精细的筛子（平滑的测试函数）中，并称量流出的重量。

在数学术语中，这个“筛子”是一个平滑、温和的曲线。通过将数据与这条平滑曲线相乘并进行累加（积分），该工具将“粗糙性”从混乱的数据转移到了平滑的曲线上。结果如何？噪声被平均化并平滑处理了，而真实的信号依然清晰。这就像是通过一套高质量的音响系统来听音乐，从而过滤掉静电噪声，而不是通过一台破旧的收音机去听。

2. “智能搜索”（基于 Pareto 的子集选择）
一旦数据被平滑处理，工具仍需猜测方程中到底包含哪些数学项。可能存在数百万种项与数字的组合。直接搜索会尝试每一种组合，但这就像是通过检查每一根干草来寻找一根特定的针——效率极低。

Weak-Pareto 使用了“基于 Pareto 的子集选择”。可以把它想象成一份“智能购物清单”。你想要最好的方程，但你也希望它足够简洁（简约性）。如果你添加了太多项，方程会变得过于复杂，开始记住噪声而不是规则。该工具会寻找那个“甜点位”——即能完美解释数据的最简单的方程。它在“损失”（方程有多错）与“复杂度”（它有多少个项）之间取得平衡，寻找曲线上的完美拐点，就像是在寻找一部既价格合理又具备所有所需功能的手机。

核心秘诀：连续阶数（Continuous Orders）
大多数工具必须从固定的列表中猜测方程的“阶数”，比如在 1、1.5 或 2 之间选择。但现实世界并不总是符合网格化的设定。阶数可能是 1.634。Weak-Pareto 不仅仅是从列表中猜测，它会将阶数视为一个连续变量进行搜索。这避免了“离散化偏差”，即避免了强行将圆钉塞入方孔的情况。

他们的发现

团队在几个著名的物理问题上测试了 Weak-Pareto，包括粒子扩散（平流扩散方程）和流体运动（Burgers 方程）。

它能在噪声中工作： 当他们在数据中加入高达 20% 的噪声（这属于大量干扰）时，Weak-Pareto 在平流扩散和 Burgers 基准测试中，在 5 次尝试中成功找回了正确的方程（5/5 成功率）。
竞争对手失败了： 他们将其与传统的“强形式”（逐点法）进行了比较。当引入噪声时，强形式方法完全失效，在 5 次运行中成功找回正确方程的次数为 0。它被噪声彻底淹没，根本无法找到正确答案。
它能处理 2D 和 3D： 他们甚至展示了它在二维空间中的有效性，能够找到不同方向的不同规则（各向异性模型），这对于热量如何在土壤中移动或材料如何拉伸等问题至关重要。
速度： 在平流扩散基准测试中，它不仅更准确，而且运行速度明显快于神经网络基准模型。

局限与信心

作者对自己的主张非常谨慎。他们从数学上证明了，对于方程的线性部分，随着数据点的增加，“弱形式”方法中的噪声会消失。然而，对于非线性部分（例如 $u \times u$ 这种复杂情况），噪声抑制只是“部分的”，这意味着它虽然很有帮助，但不能完全消除偏差。

他们还发现，虽然该工具在寻找方程的“结构”（即包含哪些项）方面表现出色，但如果噪声极高且系统很复杂（如 Riesz 反应扩散基准测试），它有时在获取“精确数值”方面会遇到困难。在这些棘手的情况下，它可能会找到正确的项，但把分数阶数找得略有偏差，或者触及了其搜索范围的边界。

但核心结论是明确的：通过使用“弱形式”的“奶昔”技巧以及对最简单、最准确模型的智能搜索，Weak-Pareto 即使在数据混乱的情况下，也能揭示分数阶物理学的隐藏规律。它能将嘈angan、混乱的信号转化为关于世界运作方式的清晰、可解释的故事。

技术摘要：通过弱形式与基于帕累托子集选择实现稳健的数据驱动分数阶微分方程发现

1. 问题陈述

从数据中发现控制方程是科学机器学习的一个核心目标。虽然 SINDy 和 PDE-FIND 等方法通过从库中选择稀疏项，已成功识别了整数阶偏微分方程（PDE），但将这些方法扩展到**分数阶偏微分方程（FPDE）**面临着独特的挑战。FPDE 用于模拟反常扩散、粘弹性以及非均匀介质中的传输等非局部动力学过程。

两个主要困难阻碍了 FPDE 的发现：

噪声放大： 分数阶微分在频域中表现为高通滤波器，将傅里叶模态按 $|\kappa|^\beta$ 进行缩放。因此，在噪声数据上进行逐点（强形式）分数阶导数评估会放大高频测量噪声，使得随着导数阶数或噪声水平的增加，强形式回归变得极其脆弱。
连续阶数优化： 与整数阶发现不同，FPDE 中的导数阶数是连续实数。固定的候选阶数字典要么过于粗糙（引入离散化偏差），要么过于密集（产生近乎共线的列，从而导致支撑集选择失稳）。

现有的分数阶发现方法通常对导数进行逐点评估或依赖神经网络重建，未能有效解决分数阶算子的噪声敏感性或连续阶数的特性问题。

2. 方法论：Weak-Pareto

作者提出了 Weak-Pareto，该框架集成了一个伴随一致的弱形式（adjoint-consistent weak formulation）与一个针对连续阶数的基于帕累托（Pareto）的子集选择策略。

A. 伴随一致的弱形式
其核心创新在于构建了一个弱库，通过分部积分（伴随恒等式）将分数阶算子从测量场转移到光滑的测试函数上。

线性项： 对于线性右端项，分数阶导数完全作用于光滑的测试函数 $\phi$ $ϕ$ 。测量场 $u$ $u$ 保持不被微分的状态。特征定义为 $\langle u, X^*_\beta \phi \rangle$ $⟨ u, X_{β}^{*} ϕ ⟩$ ，其中 $X^*_\beta$ $X_{β}^{*}$ 是候选算子的伴随算子。
- 噪声鲁棒性： 理论分析（命题 1）表明，对于线性项，在网格细化条件下，弱特征的方差随 $O(h_t h_x)$ 消失；而逐点强形式特征的方差则随 $O(h_x^{-2\beta})$ 发散。
非线性项： 对于如 $u^p X_\beta u$ 之类的项，弱形式为 $\langle u, X^*_\beta (u^p \phi) \rangle$ 。虽然微分仍然作用于测量场，但积分提供了平均效应，从而部分抑制了噪声。
伴随一致性： 该框架通过使用每种算子的特定伴随和边界项，显式处理不同的算子定义（Caputo、Riemann–Liouville、Riesz、方向谱算子），确保识别出的算子与声明的候选算子相匹配。

B. 分支感知的连续阶数帕累托搜索
为了避免固定字典的陷阱，Weak-Pareto 将分数阶视为通过差分进化算法优化的连续变量。

编码： 候选对象被编码为元组 $(m_\alpha, \alpha, p, \beta, \xi)$ ，其中 $m_\alpha$ 表示时间分支（子单元 $0<\alpha<1$ 、精确整数 $\alpha=1$ 或超单元 $1<\alpha<2$ ）。
搜索策略： 算法执行双层优化：
1. 全局搜索： 差分进化算法在特定分支内优化连续阶数 ( $\alpha, \beta$ )。
2. 局部拟合： 对于固定的阶数和幂次，利用岭回归对系数 $\xi$ 进行解析拟合。
模型选择： 该方法遍历支持集大小 $c$ ，并在验证误差–复杂度帕累托前沿（Pareto front）的“拐点”处选择最优模型。这避免了过拟合和密集字典带来的共线性问题。
精炼： 在选择之后，模型进行“精确阶数重拟合”，直接在连续最优值处评估算子，而非从预计算的网格中插值，从而消除了最终系数中的插值误差。

3. 主要贡献

论文声称了三个主要贡献：

伴随一致的弱库： 一个分数阶特征库，其中线性项不会对带噪声的数据进行微分。作者提供了理论证明，展示了这些特征的方差在网格细化下趋于零，这与强形式特征的发散性形成对比。
连续阶数帕累托搜索： 一种搜索机制，能够同时优化连续的分数阶并选择支持集大小。这种方法避免了离散化偏差以及与密集固定阶数字典相关的严重共线性问题。
受控分析与基准测试： 进行了全面的实验，隔离了弱形式（对比逐点形式）和连续搜索（对比固定字典）各自带来的收益。研究还包含了一个针对此前未曾报道的“超单元（superunit）”时间分支（ $1 < \alpha < 2$ ）的新型诊断。

4. 实验结果

该方法在四个基准测试上进行了评估：分数阶平流–扩散方程（FADE）、两个 Riesz 反应–扩散方程以及分数阶 Burgers 方程。

噪声鲁棒性： 在与强形式对应方法的受控对比中，Weak-Pareto 在 FADE 和 Burgers 的所有测试乘性噪声水平下，均在 5/5 次运行中恢复了正确的支撑集。强形式框架在任何有噪声的运行中都无法恢复正确的 Burgers 支撑集，并且在 5% 噪声下的 FADE 测试中，5 次运行中有 4 次未能恢复正确支撑集。虽然 Weak-Pareto 在更高噪声水平下仍能保持正确的支撑集恢复，但由于较小的扩散系数难以估计，FADE 的系数估计误差在 20% 噪声时开始显著上升。
准确性： 在 FADE 和 Burgers 上，即使在 10% 噪声下，Weak-Pareto 也能实现极低的阶数和系数估计误差。Riesz 反应–扩散基准测试由于可辨识性问题显得更具挑战性，尽管其支撑集恢复率依然保持在高水平。
超单元分支： 半解析诊断确认，在洁净及轻微噪声（0.5%）下，Weak-Pareto 能正确识别超单元分支（ $\alpha = 1.65$ ），而强形式方法即使在 0.5% 噪声下也无法选择正确的分支。
2D 扩展： 二维扩展成功地在噪声条件下恢复了不同的坐标相关阶数和各向异性模型。
效率： 在 FADE 基准测试中，与神经网络基准相比，Weak-Pareto 展示了显著更低的运行时间和更一致的算子恢复能力。

5. 重要性与主张

论文将 Weak-Pareto 定位为第一个同时实现以下目标的方程发现框架：

使用分数阶算子的弱形式。
支持分数阶（非整数）方程。
优化连续阶数。
最佳子集选择（而非在固定字典上进行稀疏回归）。
伴随一致地处理分数阶边界项。

作者声称，弱库是噪声鲁棒性的主要驱动力，因为消融研究表明，即使使用相同的选择策略，若移除弱形式（改用逐点特征），该方法在噪声下也会失效。此外，连续阶数搜索也被证明优于存在共线性和离散化偏差的密集固定字典。这项工作为为什么弱形式能稳定分数阶发现提供了严密的理论基础，并为从噪声数据中发现非局部动力学提供了一个实用的、可解释的工具。