统一时空物理信息学习（USPIL）：用于复杂捕食者-猎物动力学的框架
机器学习
2025-09-24 v3 应用物理
摘要
生态系统表现出复杂的多尺度动力学，挑战传统建模方法。新方法必须捕捉时间振荡和涌现的时空模式，同时遵循守恒原理。我们提出统一时空物理信息学习（USPIL）框架，这是一种深度学习架构，将物理信息神经网络（PINNs）与守恒律相结合，用于跨尺度建模捕食者-猎物动力学。该框架为描述时间循环和反应扩散模式的普通微分方程（ODE）和偏微分方程（PDE）系统提供了统一解决方案，单一神经网络架构即可实现。我们的方法利用自动微分强制执行物理约束，并采用自适应损失加权平衡数据保真度与物理一致性。应用于 Lotka-Volterra 系统时，USPIL 实现了 1D 时间动力学的 98.9% 相关性（损失：0.0219，MAE：0.0184），并捕捉到 2D 系统中复杂的螺旋波（损失：4.7656，图案相关性：0.94）。验证表明，守恒律的一致性在 0.5% 内，且推断速度比数值求解器快 10-50 倍。USPIL 还通过可解释的物理约束实现机理性理解，促进参数发现和灵敏度分析，纯数据驱动方法难以实现。其在不同维度表述之间的灵活转换开辔了多尺度生态建模的新途径。这些能力使 USPIL 成为生态预测、保育规划以及理解生态系统韧性的变革性工具，确立了物理信息深度学习作为一种强大且科学严谨的范式。
引用
@article{arxiv.2509.13425,
title = {Unified Spatiotemporal Physics-Informed Learning (USPIL): A Framework for Modeling Complex Predator-Prey Dynamics},
author = {Julian Evan Chrisnanto and Salsabila Rahma Alia and Yulison Herry Chrisnanto and Ferry Faizal},
journal= {arXiv preprint arXiv:2509.13425},
year = {2025}
}
备注
20 pages, 11 figures. A preprint on using a unified physics-informed neural network framework to model predator-prey dynamics