🧬 生物学

Physics-Informed Neural Networks for Incommensurate Fractional Volterra-Lotka Systems: Forward Solutions, Memory Asymmetry, and Inverse Parameter Recovery

本文引入了一种具有物种特定 L1 格式模板的物理信息神经网络框架，用于求解不相称的分数阶 Lotka-Volterra 系统，证明了记忆不对称性可以诱导生态角色转变，并实现了从噪声数据中对所有系统参数的精确联合恢复。

原作者： Humaira Zulfiqar

发布于 2026-09-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Humaira Zulfiqar

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

几十年来，生态学家一直依赖一种经典的数学模型来理解野外两种物种是如何相互作用的。这个被称为洛特卡-沃尔泰拉（Lotka-Volterra）系统的模型，追踪着种群如何增长、萎缩以及如何通过竞争、捕食或互利作用来影响彼此。这些方程简单到可以用餐巾纸写下来，却捕捉到了自然界本质的戏剧性：捕食者与猎物之间的兴衰，或是竞争对手之间对资源的争夺。然而，这些传统的方程假设时间对所有涉及的生物都以同样的方式流逝。它们将过去视为一个单一、统一的记忆，并平等地影响所有物种。但在现实中，长寿的大象和短命的昆虫对时间或历史的体验并不相同。大象的种群可能受到数十年前干旱记忆的影响，而昆虫的数量可能仅对过去几周的情况做出反应。这种生物如何“记住”过去的差异，是标准模型长期以来忽视的一个关键生态学谜题。

研究员胡迈拉·祖尔菲卡尔（Humaira Zulfiqar）的一项新研究通过构建一个更灵活的经典模型版本，解决了这一疏忽。该研究并没有强迫两个物种共享相同的过去记忆，而是允许每个物种拥有自己独特的记忆速率。研究人员使用了一种名为物理信息神经网络（physics-informed neural network）的现代计算工具，这本质上是一种通过学习物理定律而非仅仅是处理数字来求解复杂方程的计算机程序。通过教导这个程序去尊重每个物种记住其历史的特定且不同的方式，这项研究揭示了此前无法观测到的行为。研究结果表明，当两个物种拥有截然不同的记忆时，它们的关系会发生令人惊讶的变化。在特定记忆差异的条件下，一对本应互相帮助的动物，可能会表现得像是其中一方在伤害另一方。这一发现挑战了“我们总能仅凭相互作用类型来预测生态结果”的观点，表明一个物种遗忘或记住过去的速度，与相互作用本身一样重要。

这项工作的核心在于解决了一个困扰研究人员一段时间的数学局限性。以往尝试在这些种群模型中加入“记忆”的做法，只有在假设两个物种具有相同记忆速率时才能奏效。当速率不同时，标准的数学工具就会失效，因为方程不再遵循整齐、可预测的模式。祖尔菲卡尔转向了一种不同的方法，使用一种能够处理这些混乱、不等条件的神经网络。该网络被设计有两个独立的“记忆”设置，分别对应每个物种，从而允许计算机模拟当一个物种回顾比另一个物种更久远的过去时，种群是如何演化的。研究人员首先针对已知解（即较简单的等记忆情况下的解）测试了这种新方法，以确保其准确性。计算机的预测结果与既定的数学基准相匹配，平均误差小于三千分之一，证明了该方法是可靠的。

在验证了该方法之后，研究探讨了当两个物种具有不同记忆速率时会发生什么。模拟涵盖了所有六种经典的生态关系，从纯粹的竞争到互利共生。在每种情况下，不等的记忆速率都会改变种群曲线的细节。例如，在竞争场景中，拥有较长记忆（即对过去条件记得更久的物种）的物种在面临压力时往往下降得更慢。这就像是该物种更加“固执”，在更长时间内保留着过去优越条件的优势。在捕食者-猎物场景中，种群波动的幅度取决于每种动物特定的记忆速率，而非单一的共享因素。这些结果表明，“记忆”并非仅仅是一个背景细节；它积极地塑造着它们生存的节奏与强度。

最令人震惊的发现出现在研究人员观察两个理论上正在互相帮助的物种时。在标准模型中，如果两个物种都从对方的存在中获益，它们将始终共同增长。然而，在这一新模型中，当一个物种拥有极短的记忆而另一个拥有极长的记忆时，结果发生了剧变。拥有短记忆的物种迅速增长，而拥有长记忆的物种则受到抑制并出现下降。对于仅观察最终数字的观察者来说，看起来会像是其中一个物种在伤害另一个，尽管底层的规则表明它们是在互相帮助。研究人员称之为“记忆诱导的角色转换”。这表明，在现实世界中，看似有害的关系实际上可能是一种被不同时间体验方式所扭曲的互利关系。这种现象在两个物种具有相同记忆速率时并不会发生，凸显了它们内部时钟的差异才是关键驱动力。

除了模拟向前演化的时间外，研究还测试了该模型是否可以向后推导以解开谜团。研究人员创建了一组带有噪声的虚构种群数据，模拟了野外科学家可能收集到的数据。然后，他们要求计算机找出创造这些数据的隐藏规则，包括增长率、相互作用强度以及两个物种的具体记忆速率。神经网络成功地从仅有的30个数据点中恢复了所有8个隐藏值，误差率低于3.5%。这是一个显著的成就，因为它表明即使在数据有限且不完美的情况下，也有可能揭示不同物种特定的记忆特征。这为未来的研究打开了大门，使人们能够分析现实世界的种群数据，并确定物种是否正以不同的时间尺度运行，从而解释为什么某些生态相互作用看起来与简单的模型预测不符。

研究结论认为，假设所有相互作用的物种都拥有单一、共享的记忆是一种简化处理，忽略了重要的生物学现实。通过允许不同的记忆速率，该模型展示了一个更丰富、更复杂的生态动力学世界。这些发现并未推翻经典模型，而是扩展了它们，表明种群的历史对每个生物而言意义各异。研究表明，当生态学家看到自然界中出现奇怪或出人意料的模式时——例如一个看起来像是在斗争的互利关系——他们应该考虑是否是因为两个物种对过去有着不同的记忆方式。这项工作提供了一个新的数学工具来探索这些问题，超越了“时间对每个人都一样”的观念，并承认在野外，过去对每个物种而言都是一个不同的故事。

技术摘要：用于非同阶分数阶 Volterra-Lotka 系统的物理信息神经网络

问题陈述
经典的 Lotka-Volterra 模型通过常微分方程描述种群动力学，而分数阶扩展通过 Caputo 导数引入了记忆效应。现有的分数阶 Lotka-Volterra 系统文献（如 Yu 和 Feng [15] 的工作）依赖于同阶假设，即两个物种共享同一个分数阶 $\alpha_1 = \alpha_2 = \alpha$ 。这种假设在生态学上是不合理的，因为具有不同生活史和栖息地依赖性的物种，其记录种群记忆的速率可能不同。

非同阶系统（即物种 $u$ 和 $v$ 由不同的 Caputo 阶数 $\alpha_1 \neq \alpha_2$ 控制）提出了显著的数学挑战。由于阶数不同，此前研究 [15] 中使用的幂级数递推方法所要求的统一 $t^\alpha$ 幂结构会发生崩溃。因此，需要一种能够全局求解这些耦合系统（跨越整个时间间隔）并解决逆问题（参数恢复），且不依赖于仅在 $t=0$ 附近有效的网格离散化或级数展开的计算方法。

方法论
本文提出了一种专为非同阶分数阶微分方程定制的物理信息神经网络 (PINN) 框架。

架构： 一个全连接神经网络 $\phi_\theta: \mathbb{R}^+ \to \mathbb{R}^2$ 将时间 $t$ 映射为种群估计值 $(\hat{u}_\theta(t), \hat{v}_\theta(t))$ 。该网络使用四个宽度为 20 的隐藏层和 $tanh$ 激活函数，以确保平滑性，这对于分数阶导数模板所需的有限差分近似至关重要。
初始条件： 为了精确强制执行初始条件 $u(0)=u_0$ 和 $v(0)=v_0$ ，网络输出结构化为 $\hat{u}_\theta(t) = u_0 + t^{\alpha_1} N_u(t)$ 以及 $\hat{v}_\theta(t) = v_0 + t^{\alpha_2} N_v(t)$ ，其中 $N_u$ 和 $N_v$ 是标量子网络。
损失函数： 训练过程最小化复合损失函数 $L(\theta) = L_{res} + \lambda_1 L_{IC} + \lambda_2 L_{data}$ $L (θ) = L_{r es} + λ_{1} L_{I C} + λ_{2} L_{d a t a}$ 。
- 残差损失 ( $L_{res}$ )： 这是核心创新点。它将分数阶 ODE 残差直接嵌入损失函数中。关键在于，Caputo 导数使用物种特异性的 L1 格式模板进行近似。物种 $u$ 的模板使用阶数 $\alpha_1$ ，而物种 $v$ 的模板使用阶数 $\alpha_2$ 。这些模板独立应用于网络输出，从而实现了分数阶的解耦。
- 逆问题表述： 对于参数恢复，物理参数（增长率 $A_i$ 、限制参数 $B_i$ 、耦合系数 $C_i$ 和分数阶 $\alpha_i$ ）被视为与网络权重并列的可训练标量。通过 Softplus 重参数化来强制执行 $A_i$ 和 $B_i$ 的正值约束，而 $\alpha_i$ 则通过 Sigmoid 变换约束在 $(0, 1)$ 范围内。
优化： 系统使用 Adam 优化器进行 5,000 个 epoch 的训练，并采用衰减学习率。

核心贡献

提出了物种特异性 PINN 的公式化方法： 本文引入了一种能够处理非同阶分数阶的 PINN 架构，通过在单个网络损失函数中嵌入独立的 L1 格式模板来实现。
基准测试验证： 该方法在同阶极限情况下（ $\alpha_1 = \alpha_2$ ）得到了验证，证明其能够重现 Yu 和 Feng [15] 的幂级数基准结果，平均绝对误差为 $2.3 \times 10^{-3}$ 。
发现了记忆诱导的角色转变： 研究发现了一种新的动力学现象，即记忆不对称性（ $\alpha_1 \neq \alpha_2$ ）会改变生态相互作用的定性性质。具体而言，即使在名义上代表互利共生（ $C_1, C_2 > 0$ ）的参数集下，如果物种具有显著不同的分数阶，也可能产生偏利共生/减损共生（amensalistic）的结果（一个物种受损，另一个不受影响）。
联合逆参数恢复： 该框架仅通过三十个带有噪声的种群观测值，就能成功恢复所有八个未知系统参数（包括两个分数阶），其相对误差低于 3.5%。
理论一致性： 命题 6.1 建立了 PINN 解与同阶情况下幂级数解之间的理论联系，证明了 PINN 的误差受残差容限、L1 离散化误差以及幂级数截断误差的限制。

结果

前向解： 针对所有六种经典生态相互作用类型（纯竞争、捕食者-猎物、互利共生、偏利共生、减损共生、中性关系）进行了数值实验。结果表明，虽然相互作用的定性特征得以保留，但定量行为（如振荡幅度、衰减率）独立取决于每个物种的分数阶。
记忆不对称性： 捕食者-猎物系统中的敏感性分析证实，每个物种主要对其自身的分数阶做出反应。非同阶阶数下的相图表现出在几何上截然不同的轨道，这些轨道无法通过简单地缩放同阶解来获得。
逆问题： 在添加了 2% 高斯噪声的互利共生情景下，PINN 恢复了真实的参数 $A_1, A_2, B_1, B_2, C_1, C_2, \alpha_1, \alpha_2$ ，相对误差在 0.38% 到 2.00% 之间。尽管分数阶比代数参数更难直接观测，但仍能被高精度地识别。
角色转变： 研究量化了“记忆诱导的角色转变”。当 $\alpha_2$ 固定在较高值（短记忆，0.95）且 $\alpha_1$ 降低（长记忆）时，物种 $u$ 的种群受到逐渐抑制，导致尽管耦合系数为正，却呈现出明显的减损共生动力学。

意义与主张
本文声称是首个实现以下目标的成果：

处理分数阶 Lotka-Volterra 系统中的非同阶阶数问题。
解决此类系统的逆问题（所有参数及阶数的联合识别）。
记录了记忆诱导的角色转变，这表明在名义对称的系统中观察到的表观减损共生现象，实际上可能源于生态记忆时间尺度的差异，而非相互作用系数的变化。

作者将 PINN 定位为幂级数等解析方法的补充，而非替代品（后者在 $t=0$ 附近仍具有优越性），因为它提供了在整个时间间隔内的全局有效性，并能处理幂级数失效的非同阶情况。研究结论指出，非同阶结构提供了一个更符合生态现实的模型框架，尽管对于耦合训练算法的严格收敛证明以及在真实世界数据（如猞猁-野兔周期）中的应用仍是未来的研究方向。

技术摘要：用于非同阶分数阶 Volterra-Lotka 系统的物理信息神经网络

类似论文