基于张量神经网络的多维动力系统在高斯白噪声与泊松白噪声共同作用下的响应

《Reliability Engineering & System Safety》:Response of multi-dimensional dynamical system under combined Gaussian and Poisson white noise using Tensor Neural Networks

【字体: 大 中 小 】 时间:2026年03月04日 来源:Reliability Engineering & System Safety 13.7

编辑推荐:

  贾 Wantao|赵一凡|金正荣|张浩 西北工业大学数学与统计学院,中国西安 710072 摘要:预测在高斯白噪声和泊松白噪声共同作用下的多维系统响应密度函数,对于分析工程系统的动态行为具有重要的实际意义。然而,由于泊松噪声的跳跃特性,描述系统响应概率密度函数的弗龙科洛夫方程实

  贾 Wantao|赵一凡|金正荣|张浩 西北工业大学数学与统计学院,中国西安 710072

摘要:预测在高斯白噪声和泊松白噪声共同作用下的多维系统响应密度函数,对于分析工程系统的动态行为具有重要的实际意义。然而,由于泊松噪声的跳跃特性,描述系统响应概率密度函数的弗龙科洛夫方程实际上是一个积分-微分方程,这给传统数值方法在高维场景下的计算复杂度和精度带来了巨大挑战。为解决这些限制,本文提出了一种新的张量神经网络-物理信息神经网络学习框架,该框架结合了张量神经网络的低秩分解特性与物理信息神经网络的物理约束机制,从而有效求解高斯白噪声和泊松白噪声作用下高维系统的简化弗龙科洛夫方程。该框架的核心在于利用张量神经网络的低秩分解特性实现积分项的高效精确计算,同时借助物理信息神经网络的物理约束特性提升解决方案的可靠性和泛化能力。该框架在二维到六维空间中得到了系统性验证,解决了传统方法在高维问题中平衡计算复杂度与精度的难题。

引言:许多复杂的工程系统既具有非线性特征,又具有随机性,通常用随机动力学模型来描述[1]、[2]、[3]。在高斯白噪声激励下,描述系统状态概率密度函数演化过程的弗龙科洛夫方程可转化为福克-普朗克-弗龙科洛夫方程,这一方程已成为研究复杂系统不确定性传播及统计行为的重要数学工具,被广泛应用于物理学[4]、[5]、化学[6]以及工程学[7]、[8]等领域。福克-普朗克-弗龙科洛夫方程只有在特定条件下才存在解析解[9]、[10]。传统的基于网格的数值方法,如谱方法[11]、有限差分法[12]和有限元法[13],在处理三维以上的福克-普朗克-弗龙科洛夫方程时都会面临严重的维度灾难[14]。此外,在实际的工程环境中,许多系统会同时受到高斯白噪声和跳跃噪声的共同作用,例如飞机机翼颤振[15]、交通荷载作用下的公路桥梁[16]以及行驶在崎岖路面上的车辆[17]。这类跳跃噪声通常用莱维白噪声或泊松白噪声来建模[18]、[19]、[20]、[21]。在这种混合激励下,系统的相应弗龙科洛夫方程会因为引入非局部积分项而转变为积分-微分方程,大大增加了求解的复杂性。现有的用于处理此类积分-微分方程的数值方法,如路径积分法[22]、[23]、随机平均法[24]、[25]以及广义单元映射法[26],大多依赖于状态空间的网格离散化,从而导致计算成本随维度增加而呈指数级上升,严重限制了它们在高维问题中的应用。

近年来,物理信息神经网络为求解高维偏微分方程提供了一种新方法[27]。通过将物理约束嵌入神经网络,它们能够实现无网格求解,并已被广泛应用于传染病建模[28]、流体动力学[29]、[30]以及湍流模拟[31]、[32]等跨学科领域。在处理高斯白噪声激励下的福克-普朗克-弗龙科洛夫方程方面,物理信息神经网络在处理高维问题方面展现出了潜力[33]、[34]、[35]、[36]、[37]。然而,对于涉及跳跃噪声的系统,目前大多数研究仍然将传统的数值积分策略,如梯形法则[38]、有限差分法[39]以及高斯-勒让德求积法[40]、[41],与物理信息神经网络相结合来处理积分项。尽管这些方法在低维问题上表现良好,但在高维场景下却存在固有瓶颈:一方面,标准的多层感知器架构需要在每个配置点上独立计算偏微分方程的残差,这使得在高维环境中的正向和反向传播计算成本急剧上升,很容易出现梯度消失和虚假解等问题[42]、[43]、[44]、[45];另一方面,积分项的计算仍然依赖于整个状态空间的网格离散化或随机采样,这会导致计算复杂度呈指数级增长或估计方差过大[46],使得难以在精度和效率之间取得平衡。

在此背景下,像张量神经网络这样的低秩可分离架构[47]、[48]、[49]、[50]的出现为求解高维偏微分方程提供了新途径。张量神经网络借鉴了张量空间分解的思想,将高维函数表示为一系列一维函数的乘积。这样就能将高维积分转化为多个低维积分的乘积,大幅降低计算复杂度,同时完全避免了统计方法所带来的随机误差。这种方法已经成功用于求解各种高维偏微分方程[52]、[53]以及由高斯噪声驱动的福克-普朗克-弗龙科洛夫方程[54]、[55]。不过,针对受高斯白噪声和泊松白噪声共同作用的随机系统的研究仍处于初步阶段。这类系统的控制方程是带有非局部积分项的高维积分-微分方程,给现有的数值方法和神经网络架构带来了巨大挑战。

为填补这一空白,本文提出了一种基于张量神经网络的物理信息神经网络方法,即TNN-PINNs,用于高效求解在高斯-泊松混合激励下的高维稳态弗龙科洛夫方程。这项工作是首次将张量神经网络框架扩展到混合噪声激励下的积分-微分弗龙科洛夫方程。它利用张量神经网络的低秩分解特性,有效处理由泊松噪声引入的高维积分项,将其转化为一系列可并行处理的一维积分运算,从而避免了传统网格离散化方法所固有的指数级复杂度。通过嵌入物理约束,该方法保持了解决方案的泛化能力和可靠性,为分析在混合噪声激励下高维随机系统的响应提供了一种高精度且高效的计算工具。

本文的其余结构如下:第2节介绍了在高斯白噪声和泊松白噪声共同作用下的随机系统,以及用于求解弗龙科洛夫方程的物理信息神经网络算法。第3节阐述了用于高维弗龙科洛夫方程的TNN-PINNs框架。第4节通过二维、四维和六维系统的数值实验,展示了所提方法的有效性和准确性。最后,第5节总结了本文的主要贡献,并提出了未来的研究方向。

片段内容:

高斯白噪声和泊松白噪声作用下系统的弗龙科洛夫方程:考虑一个由高斯白噪声和泊松白噪声共同激励的nx维动态系统,该系统可以用以下多维伊藤随机微分方程来表示[56]:
dX(t)=f(X(t))dt+g(X(t))dW(t)+hdP(t;Q)
其中,X(t)=[Xi(t)]nx×1表示状态过程;W(t)=[Wi(t)]nw×1是一个nw维的扩散过程,而P(t;Q)=[Pi(t;Qi)]np×1是一个np维的复合泊松过程,其Pi(t, Qi)的均值到达率为λi。标记向量Q=[Qi]np×1。

TNN-PINNs用于弗龙科洛夫方程求解:在本节中,我们通过将张量神经网络与物理信息神经网络相结合,提出了TNN-PINNs框架。该框架利用张量神经网络在处理高维数值积分方面的计算效率和精度,同时结合物理信息神经网络的物理约束特性,来求解高维简化后的弗龙科洛夫方程(6)。

与通常使用单个网络将输入坐标直接映射为连续标量解的普通物理信息神经网络不同,张量神经网络构建了一个独特的结构。

数值示例:数值实验设置。本文研究了由相互独立的高斯白噪声和泊松白噪声驱动的多维随机系统。对于每一个跳跃项j,泊松白噪声的跳跃幅度Qj被设定为服从均值为0、方差为E(Qj2)的正态分布。参考解是通过蒙特卡洛模拟获得的,使用了300,000条样本轨迹,时间步长为0.001。本文中报告的所有计算时间均为整个计算过程的总时间。

结论:我们将低秩分离概念融入到了物理信息神经网络中,提出了一种名为TNN-PINNs的新框架,用于求解在高斯白噪声和泊松白噪声共同作用下的高维简化弗龙科洛夫方程。该框架有效解决了普通物理信息神经网络在高维积分和精度方面的问题。通过低秩分解,该框架将高维积分问题转化为一维积分问题,从而避免了计算成本的指数级增长。

CRediT作者贡献说明:贾 Wantao:写作——审阅与编辑、监督、方法论、形式分析。赵一凡:写作——初稿撰写、验证、方法论、形式分析。金正荣:写作——审阅与编辑、监督、方法论。张浩:写作——审阅与编辑、验证、监督。

利益冲突声明:作者声明他们没有已知的可能影响本文所述工作的财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    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