[论文解读] RAR-PINN algorithm for the data-driven vector-soliton solutions and parameter discovery of coupled nonlinear equations

Shu-Mei Qin, Min Li+2 more|arXiv (Cornell University)|Apr 29, 2022

Model Reduction and Neural Networks被引用 4

一句话总结

该论文提出 RAR-PINN 算法，一种通过残差自适应精炼增强的物理信息神经网络，用于精确预测耦合非线性方程（如 CGNLS 方程）中的矢量孤子解并发现未知参数。该方法在收敛速度和精度方面优于传统 PINN，尤其适用于具有陡峭梯度和形状变化相互作用的解，并在高达 12% 噪声污染下仍表现出高度鲁棒性，成功识别参数。

ABSTRACT

This work aims to provide an effective deep learning framework to predict the vector-soliton solutions of the coupled nonlinear equations and their interactions. The method we propose here is a physics-informed neural network (PINN) combining with the residual-based adaptive refinement (RAR-PINN) algorithm. Different from the traditional PINN algorithm which takes points randomly, the RAR-PINN algorithm uses an adaptive point-fetching approach to improve the training efficiency for the solutions with steep gradients. A series of experiment comparisons between the RAR-PINN and traditional PINN algorithms are implemented to a coupled generalized nonlinear Schrödinger (CGNLS) equation as an example. The results indicate that the RAR-PINN algorithm has faster convergence rate and better approximation ability, especially in modeling the shape-changing vector-soliton interactions in the coupled systems. Finally, the RAR-PINN method is applied to perform the data-driven discovery of the CGNLS equation, which shows the dispersion and nonlinear coefficients can be well approximated.

研究动机与目标

• 开发一种深度学习框架，能够精确预测耦合非线性系统中复杂的矢量孤子解，特别是具有陡峭梯度和形状变化相互作用的解。
• 通过引入自适应点选择策略，解决传统 PINN 方法在具有尖锐特征的解上训练效率低和收敛性差的问题。
• 实现在耦合广义非线性薛定谔（CGNLS）方程中，对未知物理参数（如色散和非线性系数）的数据驱动发现。
• 评估该方法在不同噪声水平和稀疏训练数据下的鲁棒性。
• 展示 RAR-PINN 在逼近多孤子解和最小化残差误差方面相对于传统 PINN 的优越性。

提出的方法

• RAR-PINN 方法将物理信息神经网络（PINN）与基于残差的自适应精炼（RAR）策略相结合，根据局部残差大小动态选择训练点。
• 与随机采样不同，该算法优先选择残差误差较高的区域（表明存在陡峭梯度或复杂解特征），从而提高训练效率和收敛性。
• 该方法使用自动微分在神经网络损失函数中施加 PDE 约束（例如 CGNLS 方程），确保物理一致性。
• RAR 机制通过在高误差区域添加新点，迭代地精炼训练数据集，降低整体损失并随训练轮次提升解的精度。
• 该框架应用于具有复系数的 CGNLS 方程，实现矢量孤子解的同步预测和未知参数的发现。
• 通过损失曲线、绝对误差和相对误差指标，以及在不同噪声水平和数据稀疏性下的参数识别精度，对方法进行评估。

实验结果

研究问题

• RQ1 RAR-PINN 方法在预测耦合非线性方程的矢量孤子解时，是否能实现比传统 PINN 更快的收敛速度和更高的逼近精度？
• RQ2 RAR-PINN 方法在建模复杂矢量孤子相互作用（特别是具有陡峭梯度的形状变化碰撞）方面表现如何？
• RQ3 RAR-PINN 框架在从噪声或稀疏数据中发现 CGNLS 方程的未知物理参数（如色散和非线性系数）方面，其能力达到何种程度？
• RQ4 RAR-PINN 方法对数据损坏（如高达 12% 的不相关高斯噪声）的鲁棒性如何？
• RQ5 增加训练数据点数量是否能提升 RAR-PINN 框架中参数发现和解逼近的精度？

主要发现

• 与传统 PINN 相比，RAR-PINN 在具有陡峭梯度和复杂相互作用的解上实现了显著更快的收敛速度和更低的残差误差。
• 对于 CGNLS 方程，RAR-PINN 准确预测了一、二、三孤子矢量解，包括形状变化的相互作用，相对误差相比传统 PINN 最多降低 90%。
• 该方法以高精度成功识别 CGNLS 方程的未知参数：在干净数据下，识别系数与真实值的偏差在幅度上小于 0.003%。
• 即使在 1% 和 3% 高斯噪声下，参数识别误差仍保持在 0.012% 以下，表明对数据污染具有强大鲁棒性。
• 当训练数据点数从 1,015 增加到 5,010 时，参数识别误差单调下降，最小误差（0.0001152）出现在 5,010 个点时。
• 该方法在高达 12% 噪声下仍保持稳定性能，参数误差维持在 0.012 以内，表明对数据质量退化具有极强的抗性。