分数阶扩散方程的神经网络求解不再被记忆项拖住：预计算Hermite权重，相对L2误差降到1.98×10⁻⁵
核心概要
半线性时间分数阶反应–扩散方程的神经网络求解，把Caputo记忆项改写成三次Hermite乘积积分：每个时间面板用神经网络状态及其自动微分时间斜率作端点数据，弱奇异权重在训练前一次算好。在v(t)=t4.2的标量基准上，Hermite记忆近似在测试网格上比经典L1公式精确三到六个数量级；对α=0.7的制造解问题，小型CPU训练网络取得1.98×10⁻⁵的相对L2误差和3.80×10⁻⁵的最大误差。
深度剖析
时间分数阶反应–扩散方程的神经网络求解，把记忆项的计算从训练循环里挪了出来：Caputo导数的历史积分改由预先算好的面板权重累加，优化器每一步只做加权求和。 此前的分数阶物理信息网络把自动微分与数值分数阶微分结合，但记忆离散仍是决定精度的瓶颈，自动微分并不能消去历史积分。 在v(t)=t4.2、t=1处的标量基准上，α取0.4、0.7、0.9，N从8到64的各组网格中，三次Hermite的绝对误差都比同一网格上的L1公式小三到六个数量级。
初始条件与齐次Dirichlet边界条件被直接写进网络输出形式，训练损失里只剩PDE残差一项，不再需要为这两类约束调惩罚权重。 多约束的PINN目标函数容易出现各项不平衡，边界惩罚权重需要人为选择。 在α=0.7、κ=0.05、λ=1、T=1的制造解问题上，25个内点、16个时间区间、三层各32个tanh单元的网络经Adam 1500步加L-BFGS训练，在201×101测试网格上相对离散L2误差为1.98×10⁻⁵，最大逐点误差3.80×10⁻⁵，训练网格上残差MSE为2.01×10⁻⁸。
同一套记忆算子也用于反问题：把分数阶次与扩散率当作未知量，用离散PDE残差的RMS作目标进行联合估计。 反演实验使用制造解生成的干净合成场，目的是把参数可辨识性与网络逼近误差分开考察。 从(0.30,0.12)、(0.55,0.08)、(0.85,0.02)、(0.90,0.15)四组分离的初值出发，各次运行都收敛到真值(0.7,0.05)，函数评估次数为10、8、7、10。
启示与展望
演示范围限于一维空间区间、0<α<1的Caputo时间分数阶半线性反应–扩散方程，时间网格为均匀网格，正问题使用制造解，反问题使用无噪声合成场。作者指出分级时间网格可以在不改变神经网络表述的情况下接入，多维域与含噪反问题被列为后续扩展方向。
一致性估计针对光滑时间迹，而分数阶扩散解即使初值光滑也可能出现初始弱奇异，因此该估计描述的是光滑迹情形。反问题实验刻意使用干净合成数据以隔离可辨识性，作者未对显著观测噪声下的稳健性作出断言。时间区间数Nt较大时，历史累加仍为O(Nt²)，除非引入快速卷积或压缩。