Goal-Oriented Real-Time Bayesian Inference for Linear Autonomous Dynamical Systems With Application to Digital Twins for Tsunami Early Warning

技術要約：線形自律動的システムにおける目標指向型リアルタイム・ベイズ推論

問題提起
本論文は、高忠実度の偏微分方程式（PDE）モデルに支配される非常に大規模な線形逆問題を、ベイズ・フレームワーク内で、特にリアルタイム・アプリケーション向けに解くという課題に取り組んでいる。対象となるアプリケーションは、カスカディア沈み込み帯（CSZ）のような沈み込み帯における、デジタルツインを用いた津波早期警戒である。具体的なタスクは、疎な海底圧力観測データ（データ $d$）から、地震によって誘発される時空間的な海底運動（パラメータ $m$）を推定し、その後、脆弱な沿岸地域における津波波高（関心対象、またはQoI、記号 $q$）を予測することである。

この問題は極端な高次元性を特徴としている。CSZにおける音響重力PDEモデルを離散化すると、約 $O(10^9)$ の反転パラメータが生じる。従来のベイズ推論手法は、サンプリングやラプラス近似に依存しているため、このようなスケールでは計算量的に実行不可能である。さらに、標準的なサロゲートモデル技術（ガウス過程やニューラルオペレータなど）は、波の伝播問題におけるパラメータ・対・観測量マップが低次元のサブスペース表現を許容しないため、効果的ではない。これは、支配的な双曲型PDEの性質上、マップの特異値が緩やかに減衰するためである。加えて、リアルタイム実行の必要性（数秒以内）から、推論フェーズ中に繰り返し前向きおよび随伴PDEソルバーを必要とする従来の反復ソルバーの使用は排除される。

手法
著者らは、前向き動的システム（具体的には、線形時不変（LTI）システム）の自律的な構造を利用して、解をオフラインの事前計算フェーズとオンラインのリアルタイム・フェーズに分解するフレームワークを提案している。核心となる数学的洞察は、このようなシステムにおけるパラメータ・対・観測量（p2o）マップおよびパラメータ・対・QoI（p2q）マップが、時間シフト不変性によりブロック・トープリッツ構造を示すことである。

本手法は、以下の4つのフェーズで進行する：

1. フェーズ1（オフライン）：マップの事前計算。
   すべてのパラメータに対して前向き問題を解く代わりに、本フレームワークは随伴PDE方程式を解くことで、p2oマップ（$F$）およびp2qマップ（$F_q$）を計算する。ブロック・トープリッツ構造により、各センサー位置（$F$ 用）および各QoI位置（$F_q$ 用）につき、1回の随伴ソルブのみが必要となる。これらの解は、完全なマップを構築するために時間方向にシフトされる。このステップは計算負荷が高いが、一度だけ行われる。

2. フェーズ2（オフライン）：事後分布のコンパクトな表現。
   パラメータの事後共分散 $\Gamma_{post}(m) = (F^* \Gamma_{noise}^{-1} F + \Gamma_{prior}^{-1})^{-1}$ は、直接保持するにはあまりにも巨大である（$O(10^9 \times 10^9)$）。著者らは、シャーマン・モリソン・ウッドベリーの公式を用いて、反転を高次元のパラメータ空間から低次元のデータ空間（$O(N_d N_t \times N_d N_t)$）へと移行させる。これには、行列 $K = \Gamma_{noise} + F \Gamma_{prior} F^*$ および行列 $G^* = \Gamma_{prior} F^*$ の事前計算が必要である。決定的なことに、事前共分散が時間不変であれば、$G^*$ もブロック・トープリッツ構造を継承するため、効率的な保存と計算が可能となる。

3. フェーズ3（オフライン）：目標指向型の事前計算。
   オンライン・フェーズでのパラメータの明示的な推定を介さずに、QoIをリアルタイムで予測することを可能にするため、本フレームワークはデータ・対・QoI（d2q）マップ（$Q$）を事前計算する。このマップは、観測データからQoIの事後平均および共分散を直接結びつけ、オンライン・フェーズにおける中間ステップとしてのパラメータ推定をバイパスする。

4. フェーズ4（オンライン）：リアルタイム推論と予測。
   新しい観測データが得られたとき、システムは以下を実行する：

   • パラメータ推論： 事前計算された行列と高速な行列・ベクトル積（matvec）を用いて、海底運動の最大事後確率（MAP）推定値を計算する。
   • QoI予測： 事前計算されたd2qマップを用いて、予測される津波波高とその不確実性を直接計算する。

   オンライン・フェーズの計算上のボトルネックは、**マルチGPU加速された高速フーリエ変換（FFT）**アルゴリズムを使用することで排除される。このアルゴリズムは、ブロック・トープリッツ構造を利用して、$F$、$F^*$、およびそれらの随伴行列を用いたmatvecを $O(N \log N)$ の時間で実行し、オンライン・フェーズでのPDEソルブを回避する。

主な貢献

• 厳密なリアルタイム推論： 本論文は、近似やサロゲートモデルを用いることなく、離散化された逆問題を厳密に（丸め誤差の範囲内で）解くフレームワークを提示しており、$O(10^8)$ から $O(10^9)$ のパラメータを持つ問題に対してリアルタイム性能を実現している。
• オフライン・オンライン分解： システムの自律的な性質を活用することで、計算負荷の高いPDEソルブを完全にオフライン・フェーズへと移動させた。オンライン・フェーズは、事前計算された行列に対する線形代数演算のみに依存する。
• FFTによる加速： 著者らは、マルチGPUクラスター上でFFTベースのアルゴリズムを用いてヘッセ行列のmatvecを計算する手法を導入し、前向き／随伴PDEソルブを伴う従来の行列フリー手法と比較して、約44,000倍から160,000倍の高速化を達成した。
• 目標指向型の効率性： 本フレームワークはQoIの予測を明示的にターゲットとしており、データのQoIへの直接的なマッピング（d2qマップ経由）を可能にすることで、オンライン予測ステップにおけるストレージおよび計算要件を劇的に削減している。
• 高ランク・ヘッセ行列への対応： 本手法は、ヘッセ行列の特異値の減衰が遅い（高ランクである）逆問題に成功的に対処している。これは、標準的な低ランク近似技術が失敗するシナリオである。

結果
著者らは、沈み込み帯のシナリオを表す音響重力波方程式の3Dテスト構成を用いて、本フレームワークを実証した。

• 規模： テスト問題は約1億3,200万個のパラメータ（$1.3 \times 10^8$）、24,500個のデータ点、および800個のQoIを含んでいる。
• パフォーマンス：
  • オフライン： 必要なマップと行列の事前計算には、スーパーコンピュータ・クラスター上で約8.6時間の計算（65個の随伴PDEの解決）を要した。
  • オンライン： 海底運動の推論から津波波高の予測（不確実性の定量化を含む）に至るエンドツーエンドの全プロセスは、数分の一秒（具体的には、QoIステップにおいて、推論に約57ミリ秒、予測に約1ミリ秒）で完了した。
• 精度： 6%の加法性ノイズを含む合成データに対し、推定された海底運動の相対誤差は約9.5%であったが、予測された津波波高（QoI）の相対誤差は約1.6%と極めて低かった。この結果は、高周波成分の海底運動は（疎なデータのために）解像度が低いものの、津波形成を駆動する低周波成分は正確に捉えられており、高度に正確なQoI予測につながっていることを示している。
• 比較： 同様の問題を解くために数日を要するであろう従来の共役勾配法と比較して、提案手法はオンライン・ステージにおいて約4億倍の高速化を実現している。

意義と主張
本論文は、デジタルツインの構築における基礎的な進展を提供すると主張している。目標指向型のベイズ推論を、厳密（高忠実度PDEモデルに忠実）かつリアルタイムに実行可能にすることで、本フレームワークは、計算量の制約によりこれまで困難とされていたシステムに対するデジタルツインの構築を現実的なものにしている。

著者らは、本アプローチがデータ駆動型のサロゲートや低ランク近似に依存せず、むしろ波の伝播問題において不十分となりがちなそれらを用いないことを強調している。代わりに、自律的な動的システムの特定の数学的構造を利用して効率性を達成している。最終的な目標は、このフレームワークをカスカディア沈み込み帯に適用し、巨大地震によって発生する津波の早期警戒を提供することであり、それによって推論と予測に要する時間を数時間から数秒へと短縮し、人命を救うことにある。論文では、現在のテストケースはフルスケールのCSZよりも小さいものの、本手法はフルデジタルツインに必要な $O(10^9)$ のパラメータ領域へとスケールするように設計されていることが述べられている。