面向均匀 Landau 方程的物理信息全局时 neural 粒子方法

我们提出了一种物理信息神经粒子方法（PINN--PM）用于求解均匀 Landau 方程。该方法采用拉格朗日相互作用粒子表述，联合参数化时变得分数和特征流图。与通过显式时间步进来推进粒子不同，Landau 动力学通过沿粒子轨迹定义的连续时残差来实现。这一设计消除了时间离散误差，构建了一个无网格的求解器，可在任意时刻进行查询，而无需顺序积分。我们在 $L^2_v$ 框架下建立了严格的稳定性分析。学习特征与精确特征之间的偏差由三个可解释来源控制：(i) 得分近似误差、(ii) 经验粒子近似误差、(iii) 神经流的物理残差。该轨迹估计传递至密度重建， 我们推导了结合经典偏差-方差项与轨迹引起的贡献的核密度估计器的 $L^2_v$ 误差界。利用 Hyvarinen 恒等式，我们进一步将 oracle 得分匹配间隙与 $L^2_v$ 得分误差相关联，并显示经验损失在蒙特卡洏率下浓度，从而产生可计算的后验准确性证书。数值实验在解析基准测试上进行，包括二维和三维 BKW 解以及无参考配置，结果表明实现了稳定的传输、宏观不变量的保持，并在使用显著更少的粒子数的同时，相对于时间步进得分基粒子和 blob 方法实现了竞争甚至改进的精度。