用于求解非均匀尺寸修正泊松-玻尔兹曼方程的浅层神经网络
《Applied Numerical Mathematics》:Shallow neural networks for solving nonuniform size-modified Poisson-Boltzmann equations
【字体:
大
中
小
】
时间:2026年03月03日
来源:Applied Numerical Mathematics 2.3
编辑推荐:
焦丽|梅浩成|王洪基|应金勇
湖南科技大学数学与统计学院,湖南省工程数学建模与分析重点实验室,中国湖南长沙410114
摘要
静电势是生物系统的重要特性。本文为考虑非均匀空间效应,研究了一个带约束的偏微分方程最小化问题,并证明了该问题的解的存在性、唯一性以及最优性条
焦丽|梅浩成|王洪基|应金勇
湖南科技大学数学与统计学院,湖南省工程数学建模与分析重点实验室,中国湖南长沙410114
摘要
静电势是生物系统的重要特性。本文为考虑非均匀空间效应,研究了一个带约束的偏微分方程最小化问题,并证明了该问题的解的存在性、唯一性以及最优性条件。为预测静电场,采用浅层神经网络来求解最优性条件,同时通过考虑如舒尔补这样的非线性方程,给出了线性和非线性问题的误差估计,结果表明收敛速率取决于隐藏层神经元数量和采样点数量。随后通过数值实验验证了该方法的有效性,并展示了其在预测静电场和浓度方面的应用。
引言
在分子生物学研究中,由于实验的复杂性和高昂成本,计算方法起着重要作用。由于具有计算效率优势,连续介质模型(也称为隐式溶剂模型)自上个世纪以来就受到了广泛关注[1]。泊松-玻尔兹曼方程作为一种经典的隐式连续介质模型,被广泛用于预测浸没在离子溶剂中的分子的静电场,但由于将离子视为无体积点,其在预测离子浓度时存在缺陷,这导致无法有效研究与尺寸密切相关的生物系统[2][3]。为解决这一问题,人们提出了多种基于尺寸修正的泊松-玻尔兹曼方程模型,这些模型采用了不同的静电自由能函数形式[4][5][6][7],并通过有限差分法、有限元法及一些混合方法进行数值求解[6][8][9][10]。特别是在离子尺寸非均匀的情况下,由于没有合适的偏微分方程来描述静电场,解决相应的尺寸修正模型变得更加困难,甚至无法对所使用方法的收敛性进行分析。目前,对于离子尺寸非均匀的情况,一种方法是利用增广拉格朗日乘子法来求解带约束的偏微分方程最小化问题[6],另一种方法是构建迭代方法来求解描述最小化问题最优条件的非线性系统[10],但这两种方法均缺乏误差估计。从数值角度而言,深度学习方法为求解逆向和正向偏微分方程提供了新的框架。与经典数值方法相比,深度学习方法无需网格划分,可轻松处理定义在具有或不具有界面条件的复杂域上的线性和非线性方程[11][12][13],尽管其精度较低且计算成本较高。针对这些缺陷,可以通过设计更好的网络结构[14]、采用自适应采样策略[15]或使用随机浅层神经网络[16]来部分克服。迄今为止,基于深度学习的方法已成为求解偏微分方程的强大替代方案。
本文试图利用基于神经网络的方法来解决非均匀尺寸修正泊松-玻尔兹曼方程这一类带约束的偏微分方程最小化问题,同时通过提供收敛性分析来填补理论空白,即便所研究的系统为非线性系统,这也是本文的主要贡献。针对带约束的偏微分方程最小化问题,我们首先通过三项解分解方案将未定义的能量函数转化为明确定义的形式,然后通过简单分析证明该问题存在唯一解,并推导出包括伴随方程在内的最优性条件。接着,利用扩展与投影技术结合浅层神经网络,来求解在最优性条件下得到的椭圆型界面方程或方程组。基于庞加莱-弗里德里希不等式,不考虑优化误差,给出了线性界面方程的误差估计,表明收敛速率仅取决于隐藏层神经元数量和采样点数量。同时,通过证明非线性项的强制性质并考虑如舒尔补这样的简化方程,还给出了非线性系统的误差估计,这些技术也可用于其他非线性问题。通过对多个示例的数值实验,验证了该方法在解决椭圆型界面问题方面的有效性,同时展示了尺寸修正泊松-玻尔兹曼方程在预测静电场和浓度方面的应用。
本文的结构如下:第2节介绍尺寸修正泊松-玻尔兹曼方程的推导过程,给出解的存在性、唯一性及最优性条件;第3节介绍用于求解该方程的数值方法及收敛性分析;第4节通过多种实验展示该方法的有效性以及尺寸修正泊松-玻尔兹曼方程的应用;最后给出结论。
片段摘录
非均匀尺寸修正泊松-玻尔兹曼模型
考虑一种蛋白质浸没在含有n种不同离子的离子溶剂中,这些离子的尺寸各不相同。对于足够大的区域Ω,非均匀尺寸修正泊松-玻尔兹曼方程可表示为以下带约束的优化问题:
minΦ,c?F(Φ,c?),
受以下泊松介电模型约束:
{??pΔΦ(r)=1?0ρp,r∈Ωp,??sΔΦ(r)=1?0ρs,r∈Ωs,Φ(s+)=Φ(s?),?s?Φ(s+)?n(s)=?p?Φ(s?)?n(s),s∈Γ,Φ(s)=0,s∈?Ω},
以及离子体积约束:1?∑i=1naici(r)=0, r?∈?Ωs。此处自由能函数为……
数值算法
对于伴随方程(10),由于其线性特性,易得p=?02Φ=?02(G+Ψ+Φ?)。因此,要得到最优解,只需求解以下方程组:
{??pΔΦ?(r)=0,r∈Ωp,??sΔΦ?(r)=1?0∑i=1nqici(r),r∈Ωs,Φ?(s+)=Φ?(s?),?s?Φ?(s+)?n(s)=?p?Φ?(s?)?n(s),s∈Γ,Φ?(s)=0,s∈?Ω,
aia0βln(1?∑j=1najcj)?1βln(aici)+μi=qi(Φ?+Ψ+G),a.e.inΩs,i=1,?,n},
其中G和Ψ分别如(5)和(6)所定义。接下来,当距离以埃为单位时,考虑无量纲形式,令u=βecΦ。
数值实验
在本节中,对于所有示例,我们进行了两组实验:一组使用激活函数为Sigmoid(x)的浅层神经网络来拟合方程解,另一组则使用激活函数为tanh(x)的随机浅层神经网络来学习解。默认情况下,LM算法的最大迭代次数为4000次。除非另有说明,所有的惩罚系数(浅层神经网络中的βi,随机浅层神经网络中的γ0i和γi)均设为1。
结论
本文针对非均匀尺寸修正泊松-玻尔兹曼方程,研究了一个带约束的偏微分方程最小化问题,证明了极小值的存在性与唯一性。随后提出利用浅层神经网络来求解所得最优条件,从而得到近似解,并给出了线性和非线性情况的收敛性分析,表明收敛速率取决于隐藏层神经元数量和采样点数量。数值实验验证了该方法的有效性。
CRediT作者贡献声明
焦丽:写作——审稿与编辑,写作——初稿,方法论,资金获取。
梅浩成:写作——审稿与编辑,可视化,验证。
王洪基:写作——审稿与编辑,可视化,验证,研究分析。
应金勇:写作——审稿与编辑,方法论,资金获取,概念构思。
利益冲突声明
作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号