DOI: https://doi.org/10.1038/s41598-026-47451-4
PMID: https://pubmed.ncbi.nlm.nih.gov/42020550
تاريخ النشر: 2026-04-22
المؤلف: Sadique Ahmad وآخرون
الموضوع الرئيسي: حلول المعادلات التفاضلية الكسرية
نظرة عامة
تقدم البحث نموذج بروسيلاتور الفركتالي الزمني المكاني (TSFB)، الذي يوسع إطار التفاعل والانتشار الكلاسيكي من خلال دمج الأوامر الفركتالية في كل من الزمن ($0 < \sigma \leq 1$) والمكان ($1 < \eta \leq 2$). يهدف هذا النموذج إلى حساب تأثيرات الذاكرة والتفاعلات غير المحلية. تم إجراء تحليل نوعي شامل، يؤكد وجود وحيدة واستقرار ألام-هايرز (UH) للحلول. بالإضافة إلى ذلك، تم تطوير مخطط عددي للزمن الأمامي المركزي (FTCS)، مع وضع شروط الاستقرار. تم التحقق من النتائج العددية من خلال بنية شبكة عصبية أمامية (NN)، مما يظهر تشكيل أنماط فعالة تتأثر بالمعلمات الفركتالية $\sigma$ و $\eta$. تشير النتائج إلى أن تقليل $\sigma$ من 1.0 إلى 0.6 يعزز بشكل كبير تشكيل الأنماط، مع زيادة تركيز المنشط الأقصى من 0.411 إلى 1.592. يظهر أن المعامل المكاني $\eta$ يتحكم في تباعد الأنماط؛ على وجه الخصوص، عند $\sigma = 0.6$، يؤدي تقليل $\eta$ من 2.0 إلى 1.6 إلى ظهور أنماط أدق، مع انخفاض التباعد المميز من 1.03 إلى 0.74. تجمع المعلمات ($\sigma = 0.6$، $\eta = 1.6$) بين الأنماط الأكثر وضوحًا، والتي تتميز بتدرجات تركيز حادة تبلغ 2.168 و 3.896. تكمن حداثة الدراسة في إطارها الشامل الذي يدمج المشغلين الفركتاليين، والتحليل النظري، والأساليب العددية، وتعلم الآلة، مما يعزز الفهم لكيفية تأثير هذه المعلمات على تشكيل الأنماط وتباعدها في نظام TSFB.
مقدمة
تناقش مقدمة البحث أهمية أنظمة التفاعل والانتشار في نمذجة تشكيل الأنماط الزمانية المكانية عبر مجالات متنوعة، بما في ذلك الكيمياء، وعلم الأحياء، وعلم البيئة. تبرز نموذج بروسيلاتور كمثال رئيسي لمذبذب ذاتي التحفيز يمكنه توليد تذبذبات مستدامة، وأنماط تورينغ، وأمواج مسافرة. تتضمن الصياغة الكلاسيكية لبروسيلاتور تفاعلات بين نوع منشط ونوع مثبط، تحكمها الانتشار العادي والديناميات الخالية من الذاكرة. ومع ذلك، تظهر العديد من الأنظمة الواقعية تأثيرات الذاكرة والانتشار الشاذ الذي تفشل النماذج الكلاسيكية، المعتمدة على المشتقات ذات الأوامر الصحيحة، في التقاطه.
لمعالجة هذه القيود، يدعو البحث إلى الانتقال إلى المعادلات التفاضلية الفركتالية، التي يمكن أن تأخذ في الاعتبار تأثيرات الذاكرة من خلال الالتفاف مع نوى القوة. هذا مهم بشكل خاص في التفاعلات الذاتية التحفيز حيث يتأثر معدل التفاعل بالتاريخ الكامل لتغيرات التركيز. تشير المقدمة إلى أن الملاحظات التجريبية في سياقات متنوعة غالبًا ما تكشف عن إزاحة متوسطة غير خطية، مما يدل على انتشار شاذ لا يمكن أن تصفه قوانين فيكيان الكلاسيكية. يوفر استخدام الأوامر الفركتالية في النمذجة مرونة ودقة أكبر في تمثيل الأنظمة المعقدة. من بين المشغلين الفركتاليين، يتم التأكيد على المشتق القابل للتوافق لسهولة استخدامه، واحتفاظه بخصائص حساب التفاضل الكلاسيكية، وقدرته على دمج تأثيرات الذاكرة، مما يجعله مناسبًا لكل من التحليل النظري والتنفيذ العددي.
مناقشة
تسلط قسم المناقشة في البحث الضوء على أهمية نماذج الأوامر الفركتالية في وصف التفاعلات الحفازة بدقة، كما يتضح من بيانات الطيفية التي تشير إلى عناصر طور ثابت. استكشفت الدراسات السابقة التعميمات الفركتالية لأنظمة التفاعل والانتشار، مثل بروسيلاتور الفركتالي الزمني، لكنها غالبًا ما تفتقر إلى تحليلات نوعية شاملة، وتقييمات الاستقرار، والتحقق من خلال أساليب تعلم الآلة. لمعالجة هذه الفجوات، يقترح المؤلفون نموذج TSFB، الذي يدمج المشتقات الفركتالية القابلة للتوافق، ويقدم إطارًا موحدًا يدمج الأساليب النظرية والعددية وتعلم الآلة.
تشمل المساهمات الرئيسية لهذا العمل تحليلًا نوعيًا شاملاً يوضح وجود وحيدة الحلول، وتحليل استقرار كامل للأساليب العددية، وتطوير مخطط عددي مع شروط استقرار فون نيومان. تكشف النتائج أن تقليل الأمر الفركتالي $\sigma$ من 1.0 إلى 0.6 يعزز بشكل كبير تشكيل الأنماط، مع زيادة تركيز المنشط الأقصى من 0.411 إلى 1.592. بالإضافة إلى ذلك، يؤثر الأمر المكاني $\eta$ على الطول الموجي، مع ظهور أنماط أدق كلما انخفضت $\eta$. كما تحقق الدراسة من صحة النموذج باستخدام الشبكات العصبية، محققة خطأ متوسط الجذر التربيعي النسبي أقل من 2.5%، وتقدم تحليلًا مقارنًا بين الأساليب العددية وشبكة الأعصاب، مع التأكيد على مزايا كل منهما في الدقة والكفاءة.
القيود
يسلط قسم القيود في البحث الضوء على عدة قيود حاسمة تتعلق بالتحقق من صحة الشبكة العصبية (NN) المستخدمة في تقريب الحلول للمعادلات التفاضلية الفركتالية. أولاً، تعتمد الشبكة العصبية على الحلول العددية المستمدة من مخطط الزمن الأمامي المركزي (FTCS)، مما يقدم أخطاء التقطيع التي قد تؤثر على دقة التنبؤ. بالإضافة إلى ذلك، تظل قدرة الشبكة العصبية على التعميم خارج نطاق معلمات التدريب (على وجه الخصوص، $\sigma \in [0.6, 1.0]$ و $\eta \in [1.6, 2.0]$) غير مؤكدة، مما يثير القلق بشأن قابليتها للتطبيق في سياقات أوسع.
علاوة على ذلك، لا تأخذ الشبكة العصبية في الاعتبار القيود الفيزيائية الأساسية، مثل القوانين الإيجابية وقوانين الحفظ، التي قد تحد من فائدتها العملية. يحد دقة بيانات التدريب، الممثلة بشبكة $41 \times 41$، من نطاق الميزات التي يمكن أن تلتقطها الشبكة العصبية بفعالية. أخيرًا، بينما يشير خطأ الجذر التربيعي المتوسط (RMSE) المبلغ عنه والذي يقل عن 2.5% إلى توافق قوي مع مرجع FTCS، فإنه لا يعكس الدقة مقابل الحلول الحقيقية. على الرغم من هذه القيود، تؤكد النتائج على إمكانية الشبكة العصبية كنموذج بديل للأنظمة الديناميكية الفركتالية، مما يظهر توافقًا كبيرًا مع الحلول العددية.
DOI: https://doi.org/10.1038/s41598-026-47451-4
PMID: https://pubmed.ncbi.nlm.nih.gov/42020550
Publication Date: 2026-04-22
Author(s): Sadique Ahmad et al.
Primary Topic: Fractional Differential Equations Solutions
Overview
The research introduces the time-space fractional Brusselator (TSFB) model, which extends the classical reaction-diffusion framework by incorporating fractional orders in both time ($0 < \sigma \leq 1$) and space ($1 < \eta \leq 2$). This model aims to account for memory effects and non-local interactions. A thorough qualitative analysis is conducted, confirming the existence, uniqueness, and Ulam-Hyers (UH) stability of solutions. Additionally, a forward time central space (FTCS) numerical scheme is developed, with stability conditions established. The numerical results are validated through a feedforward neural network (NN) architecture, demonstrating effective pattern formation influenced by the fractional parameters $\sigma$ and $\eta$. The findings indicate that reducing $\sigma$ from 1.0 to 0.6 significantly enhances pattern formation, with the maximum activator concentration increasing from 0.411 to 1.592. The spatial parameter $\eta$ is shown to control pattern spacing; specifically, at $\sigma = 0.6$, decreasing $\eta$ from 2.0 to 1.6 results in finer patterns, with characteristic spacing decreasing from 1.03 to 0.74. The combination of parameters ($\sigma = 0.6$, $\eta = 1.6$) yields the most pronounced patterns, characterized by steep concentration gradients of 2.168 and 3.896. The study's novelty lies in its comprehensive framework that integrates fractional operators, theoretical analysis, numerical methods, and machine learning, thereby enhancing the understanding of how these parameters affect pattern formation and spacing in the TSFB system.
Introduction
The introduction of the research paper discusses the significance of reaction-diffusion systems in modeling spatiotemporal pattern formation across various fields, including chemistry, biology, and ecology. It highlights the Brusselator model as a key example of an autocatalytic oscillator that can generate sustained oscillations, Turing patterns, and traveling waves. The classical formulation of the Brusselator involves interactions between an activator and an inhibitor species, governed by normal diffusion and memoryless kinetics. However, many real-world systems exhibit memory effects and anomalous diffusion that classical models, based on integer-order derivatives, fail to capture.
To address these limitations, the paper advocates for the transition to fractional differential equations, which can account for memory effects through convolution with power-law kernels. This is particularly relevant in autocatalytic reactions where the reaction rate is influenced by the entire history of concentration changes. The introduction notes that experimental observations in various contexts often reveal non-linear mean-square displacement, indicative of anomalous diffusion that classical Fickian laws cannot describe. The use of fractional orders in modeling provides greater flexibility and accuracy in representing complex systems. Among the fractional operators, the conformable derivative is emphasized for its simplicity, retention of classical calculus properties, and ability to incorporate memory effects, making it suitable for both theoretical analysis and numerical implementation.
Discussion
The discussion section of the research paper highlights the significance of fractional-order models in accurately describing catalytic reactions, as evidenced by spectroscopy data indicating constant phase elements. Previous studies have explored fractional generalizations of reaction-diffusion systems, such as the time-fractional Brusselator, but they often lack comprehensive qualitative analyses, stability assessments, and validation through machine learning methods. To address these gaps, the authors propose the TSFB model, which incorporates conformable fractional derivatives, and present a unified framework that integrates theoretical, numerical, and machine learning approaches.
Key contributions of this work include a thorough qualitative analysis demonstrating existence and uniqueness of solutions, a complete stability analysis of numerical methods, and the development of a numerical scheme with von Neumann stability conditions. The results reveal that decreasing the fractional order $\sigma$ from 1.0 to 0.6 significantly enhances pattern formation, with maximum activator concentration increasing from 0.411 to 1.592. Additionally, the spatial order $\eta$ influences wavelength, with finer patterns emerging as $\eta$ decreases. The study also validates the model using neural networks, achieving a relative root mean square error below 2.5%, and provides a comparative analysis of the numerical and neural network approaches, emphasizing their respective advantages in accuracy and efficiency.
Limitations
The section on limitations of the research paper highlights several critical constraints regarding the validation of the neural network (NN) used in approximating solutions to fractional differential equations. Firstly, the NN relies on numerical solutions derived from the Forward Time Central Space (FTCS) scheme, which introduces discretization errors that may affect prediction accuracy. Additionally, the NN’s ability to generalize beyond the training parameter range (specifically, $\sigma \in [0.6, 1.0]$ and $\eta \in [1.6, 2.0]$) remains unverified, raising concerns about its applicability in broader contexts.
Moreover, the NN does not account for essential physical constraints, such as positivity and conservation laws, which could limit its practical utility. The resolution of the training data, represented by a $41 \times 41$ grid, further restricts the scale of features that the NN can effectively capture. Lastly, while the reported root mean square error (RMSE) of less than 2.5% indicates a strong alignment with the FTCS reference, it does not reflect accuracy against true solutions. Despite these limitations, the findings underscore the NN’s potential as a surrogate model for fractional dynamical systems, demonstrating a significant consistency with numerical solutions.