物理学インフォームド・マシンラーニングのための教育的フレームワーク：古典的振り子から量子非調和振動子へ

本論文は、物理学インフォームド・マシンラーニング（Physics-Informed Machine Learning: PIML）を教えるための 5 つのモジュールからなる教育的フレームワークを提案しています。このフレームワークは、古典的な非線形 ODE（振り子）から量子力学の固有値問題（非調和振動子）へと難易度を段階的に上げる 2 つの物理系を用いて構成されており、PyTorch 2.9 および最新の NVIDIA RTX 5090 GPU 環境での実装を前提としています。

以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題定義と背景

現代の工学教育では、機械学習（ML）を科学問題に応用する実践的な能力が求められていますが、従来の ML 入門コースは画像分類や自然言語処理に偏っており、微分方程式（ODE/PDE）、固有値問題、物理的保存則のモデリングに関するギャップが存在します。
Physics-Informed Neural Networks（PINNs）は損失関数に支配方程式を埋め込むことでこのギャップを埋めますが、標準的な教師あり学習から PINN への概念的飛躍は大きいため、構造化された教育的パスが必要です。また、最新のハードウェア（Blackwell アーキテクチャなど）におけるフレームワークの互換性（PyTorch と TensorFlow の違い）も重要な教育課題となっています。

2. 提案手法：5 モジュール・フレームワーク

このフレームワークは、データ駆動型モデルから物理制約付きモデルへの移行を促す 5 つのモジュールで構成されています。

対象物理系

1. 古典的振り子（モジュール 1-2）:
   • 重力、粘性減衰、ねじりバネ、外部トルク、非線形空気抵抗を受ける非線形・減衰・強制振動子。
   • 支配方程式：2 階の非線形 ODE。
   • モジュール 1: 標準的な ANN（全結合ニューラルネットワーク）によるデータ駆動学習。
   • モジュール 2: 物理残差のみを用いた PINN 学習（コロケーション点のみを使用）。
2. 量子非調和振動子（モジュール 3-4）:
   • 4 乗項で摂動された調和ポテンシャル中の粒子の基底状態エネルギーと波動関数。
   • 支配方程式：時間非依存シュレーディンガー方程式。
   • モジュール 3: 離散化されたポテンシャルデータに対する CNN（畳み込みニューラルネットワーク）および LSTM（長短期記憶）による回帰。
   • モジュール 4: シュレーディンガー方程式を制約とした PINN 学習。
3. 総合比較（モジュール 5）:
   • 精度、学習コスト、GPU 効率の包括的な比較。

実装詳細

• ハードウェア/ソフトウェア: NVIDIA RTX 5090 GPU、PyTorch 2.9.1、CUDA 12.8。
  • 注記: TensorFlow 2.22 以前は Blackwell アーキテクチャ（sm 120）でセグメンテーションフォルトが発生するため、PyTorch のみが使用されました。これは「フレームワーク選択は単なる好みではなく、ハードウェア互換性の問題である」という重要な教訓となります。
• PINN の学習戦略:
  • カリキュラム学習（Curriculum Training）: 振り子 PINN において、学習期間を $t \in [0, 3]$s から段階的に $[0, 30]$s へ拡大する 6 段階の戦略を採用。これにより、長時間の積分における発散を防ぎ、精度を向上させました。
  • 損失関数: 物理残差（ODE/PDE の誤差）とデータ誤差（ラベル付きデータがある場合）、および波動関数の正規化項を組み合わせます。

3. 主要な貢献

1. 構造化された教育パス: データ駆動型モデルから物理制約付きモデルへの段階的な移行を可能にする、2 つの物理系を用いた体系的なカリキュラム。
2. PINN のカリキュラム学習戦略: 単一ステージ学習では失敗する長時間のシミュレーションにおいて、学習ウィンドウを段階的に拡大する戦略が精度を劇的に改善することを示した。
3. GPU 加速の定量的ベンチマーク: 5 つのアーキテクチャにおける CPU と GPU の性能差を測定し、ハードウェア加速が有効な場合とそうでない場合を具体的に示した。
4. 教育用オープンソース教材: すべてが実行可能な Jupyter ノートブック形式で提供され、学生がデータ駆動思考から物理制約思考へ移行するための反射質問が埋め込まれている。

4. 結果と定量的評価

精度と性能

• 振り子系:
  • ANN: 角速度 $\omega(t)$ を入力として利用し、MAE $1.29 \times 10^{-2}$ rad を達成。
  • PINN: ラベル付きデータなし（コロケーション点のみ）で MAE $3.13 \times 10^{-2}$ rad を達成。カリキュラム学習が必須であり、単一ステージ学習では発散した。
• 量子振動子系:
  • CNN: 離散化ポテンシャルから基底状態エネルギーを予測し、MAE $4.4 \times 10^{-5}$ a.u.（原子単位）という高精度を 0.8 秒で達成。
  • LSTM: 精度は CNN よりやや劣るが、GPU 加速による恩恵が大きい。
  • PINN: 波動関数 $\psi(x)$ とエネルギー固有値 $E$ を同時に学習。エネルギー誤差 $|\Delta E| = 5.5 \times 10^{-4}$ a.u. を達成。

CPU vs GPU ベンチマーク（RTX 5090）

学習時間（50 エポック）の比較において、モデルの規模と並列性によって GPU の恩恵が異なることが示されました。

• 重要な知見: 小規模な ANN では PCIe 転送オーバーヘッドが支配的となり GPU 加速のメリットは限定的ですが、LSTM のように長いシーケンス処理を行うモデルでは、GPU の並列処理能力により 24.6 倍の高速化が実現されました。

データ効率

• 振り子 ANN は、トレーニングデータが約 600 点（全データの 25%）以上ある場合に PINN よりも精度が高くなります。
• データが 600 点未満の場合、PINN の方が優位になります。これは「ラベル付きシミュレーションデータが安価であればデータ駆動型、高価または希少であれば PINN」という具体的なモデル選択基準を学生に提供します。

5. 意義と結論

本フレームワークは、物理学と機械学習の融合を学ぶ大学院レベルのコースにおいて、以下の点で重要な意義を持ちます。

1. ハードウェア意識のある設計: 単にアルゴリズムを学ぶだけでなく、ハードウェア特性（GPU の並列性）とモデルアーキテクチャ（LSTM の逐次性など）の関係を理解させる。
2. モデル選択の指針:
   • データが豊富で高速推論が必要な場合 $\rightarrow$ データ駆動型（ANN, CNN, LSTM）。
   • データが希少、または物理的解釈性・解の場全体（波動関数など）が必要な場合 $\rightarrow$ PINN。
3. 実用的な教訓: TensorFlow と PyTorch の互換性問題を通じて、最新のハードウェア環境におけるフレームワーク選定の重要性を具体的に示した。

このアプローチは、学生にデータ駆動思考から物理制約思考への移行を促し、現代の科学技術計算における深層学習の応用可能性を具体的に示すものとして高く評価されます。将来的には、多次元 PDE や適応的コロケーション手法への拡張が予定されています。