FNO求解量子力学分数阶非线性波动方程

标签： 量子力学；神经算子；Fourier Neural Operator

量子力学中的分数阶非线性波动方程能够刻画具有非局域输运、异常色散与非线性耦合特征的复杂动力学过程，在分数阶薛定谔型系统、复杂势场中的波传播以及非标准介质中的量子演化建模中具有重要意义。与传统有限差分、有限元或谱方法相比，傅里叶神经算子（Fourier Neural Operator, FNO）不再局限于在单一网格上学习离散解，而是直接学习从输入函数空间到输出函数空间的算子映射，因此更适合处理参数变化、分辨率变化以及多样边界条件下的偏微分方程求解任务。该方法能够在保持较高预测精度的同时显著提升推理效率，为复杂量子系统的快速仿真与大规模参数扫描提供了一种高效的数据驱动途径。

在空间区域 $\Omega \subset \mathbb{R}^d$ 与时间区间 $[0,T]$ 上，一类量子力学分数阶非线性波动方程可表示为

$$i\frac{\partial \psi(x,t)}{\partial t} = \kappa(-\Delta)^{\alpha/2}\psi(x,t) +V(x)\psi(x,t) +\lambda |\psi(x,t)|^2\psi(x,t), \qquad (x,t)\in \Omega\times(0,T],$$

并满足初始条件与边界条件

$$\psi(x,0)=\psi_0(x), \qquad x\in \Omega,$$ $$\mathcal{B}\psi(x,t)=0, \qquad (x,t)\in \partial\Omega\times(0,T].$$

其中，$\psi(x,t)$ 为复值波函数，$(-\Delta)^{\alpha/2}$ 为分数阶拉普拉斯算子，$\alpha\in(0,2]$ 表示分数阶阶数，$\kappa$ 为色散系数，$V(x)$ 为外部势场，$\lambda$ 为非线性耦合系数，$\psi_0(x)$ 为初始波函数，$\mathcal{B}$ 表示给定的边界算子，可对应 Dirichlet、Neumann 或周期边界等不同物理约束。与经典整数阶模型相比，分数阶模型能够更自然地描述长程相互作用与非局域演化规律，因此对求解器的全局建模能力和跨设置泛化能力提出了更高要求。

FNO的核心思想是在频域中构造全局卷积算子，并通过有限个低频模态学习解场中的主导结构信息。设输入函数记为 $a(x)$，网络在第 $l$ 层的特征表示为 $v_l(x)$，则其一层神经算子可写为

$$v_{l+1}(x) = \sigma\!\left( W_l v_l(x) + \mathcal{F}^{-1} \Big( R_l \cdot \mathcal{F}(v_l) \Big)(x) \right),$$

其中，$\mathcal{F}$ 与 $\mathcal{F}^{-1}$ 分别表示傅里叶变换与逆傅里叶变换，$R_l$ 为频域中的可学习权重张量，$W_l$ 为局部线性变换，$\sigma(\cdot)$ 为非线性激活函数。经过多层算子堆叠后，整体映射可以表示为

$$u(x) = \mathcal{Q}\circ \mathcal{G}_{\theta}\circ \mathcal{P}(a)(x),$$

其中，$\mathcal{P}$ 为输入提升映射，用于将原始输入嵌入高维特征空间；$\mathcal{G}_{\theta}$ 为由多层傅里叶神经算子组成的主干网络；$\mathcal{Q}$ 为输出投影映射，用于恢复目标解场。对于本任务，输入通常由初始波函数、势场分布、分数阶参数及其他控制变量共同构成，输出则对应于目标时刻的波函数分布，或整个时空区域上的解场近似。

在具体建模过程中，首先将量子系统中的初始条件、势场信息及相关物理参数组织为函数型输入，随后通过FNO在频域中提取全局相关性，并学习从输入条件到目标解场的非线性算子映射。由于FNO直接作用于函数空间，其模型训练并不依赖于固定离散网格，因此在不同空间分辨率下仍具有良好的迁移能力。此外，频域建模机制使其能够有效捕捉分数阶算子所诱导的长距离耦合效应，从而更适合处理非局域项显著、解结构复杂的量子动力学问题。

从方法特性来看，FNO兼具全局感受野、较强的表达能力与较高的计算效率。一方面，频域卷积能够在较低复杂度下对全局空间信息进行建模，缓解传统局部卷积方法在长程依赖建模上的不足；另一方面，算子学习框架使其能够统一处理一族偏微分方程实例，而不仅是逼近单个特定解。这使得该方法不仅适用于高精度解场预测，也适用于后续的参数反演、灵敏度分析、快速仿真及跨场景迁移等任务，为复杂量子系统的智能求解提供了有效支撑。

图1展示了FNO模型对量子力学分数阶非线性波动方程解场的预测结果与真实解之间的可视化对比。结果表明，该模型能够较为准确地捕捉复杂势场与非局域动力学共同作用下波函数的空间分布特征与演化规律，在解场重建精度与整体结构保持方面均表现出良好的性能。

FNO求解波动方程演化过程1

FNO求解波动方程演化过程2