技術要約：PDE発見における反事実的演算子の関連性（Counterfactual Operator Relevance）

1. 問題提起

データ駆動型の偏微分方程式（PDE）の発見は、候補ライブラリから活性な項を選択するために、疎な回帰手法（SINDyやPDE-FINDなど）に依存することが多い。これらのアプローチにおける永続的な限界は、**残差の適合（residual fit）と機能的な必要性（functional necessity）**を混同している点にある。ある項が非ゼロの係数を受け取ったり、残差を減少させたりするのは、単に他の特徴量と相関しているためであったり、軌跡が狭い部分空間のみを励起しているためであったり、あるいは微分推定値にノイズが含まれているためであったりする。したがって、残差の大きさ自体は、演算子の構造的重要性を表す信頼できるプロキシ（代理指標）にはならない。

さらに、標準的な発見手法は、以下の事項を考慮できていないことが多い：

• 演算子エイリアシング（Operator Aliasing）：異なる演算子の組み合わせが、特定のデータセット（例：単一モードの軌跡）に対して同一の残差を生じさせる場合。
• 制約による非識別性（Constraint-Null Non-identifiability）：演算子がデータの許容される制約クラス（例：発散のない場）上で消失する場合、その係数は識別不能となる。
• 因果的診断の欠如：既存の手法は、単に適合を改善する項と、システムのダイナミクスを再現するために機能的に必要な項を、厳密に区別できていない。

2. 手法：反事実的演算子介入（Counterfactual Operator Interventions）

本論文は、反事実的演算子介入に基づくフレームワークを提案している。この手法は、係数の大きさだけに頼るのではなく、候補となる項が機能的に必要であるかどうかを、 「事実的な」軌跡（適合されたモデル）と「反事実的な」軌跡（当該の項を削除または摂動させたモデル）を比較することでテストする。

核となる定義

• 介入（Intervention）：候補となる演算子 $T_j$ またはその係数 $\alpha_j$ を、修正されたバージョン（例：削除）に置き換えること。
• 反事実的応答（Counterfactual Response）：事実的な解 $u$ と反事実的な解 $u^{cf}_j$ の間の偏差 $\delta_j = \|u - u^{cf}_j\|$。
• 関連性（Relevance）：特定のライブラリ、実験クラス、およびノルムに対して、$\delta_j \geq \varepsilon$（指定された許容誤差）を満たす場合にのみ、項 $T_j$ は関連性があるとみなされる。

理論的枠組み

本論文は、6つの主要な理論的結果を定式化している：

1. 残差・反事実的ギャップ定理（Residual-Counterfactual Gap Theorem）：演算子を削除した際の影響は、単なる残差の大きさではなく、逆線形化PDE写像（$L_u^{-1}$）によって支配されることを証明する。大きな残差寄与があっても、逆写像が摂動を減衰させる場合、大きな反事実的偏差は保証されない。
2. 認定決定定理（Certified Decision Theorem）：数値的またはニューラル近似のサロゲート誤差境界に基づき、項を「関連あり」、「関連なし」、または**「棄権（保留）」**（未解決）として分類するための誤差範囲を確立する。
3. エイリアシング定理（Aliasing Theorem）：演算子評価デザイン行列の零空間を通じて、非識別性を特徴付ける。もし二つの係数ベクトルがエイリアス（同じデザイン出力を生成）である場合、残差ベースの手順ではそれらを区別できない。
4. 制約多様体定理（Constraint-Manifold Theorem）：データの不変な制約クラス上で消失する演算子（例：発散のない場における $\nabla(\nabla \cdot E)$）は、そのクラスに制限された軌跡からは識別できないことを証明する。
5. プルーニング一貫性定理（Pruning-Consistency Theorem）：疎な残差スクリーニング（候補となるサポートを提案するため）に続いて、反事実的削除（無関係な項を削ぎ落とすため）を行う二段階プロセスが、特定の再現率およびマージン条件下で、機能的に関連するサポートを回収できることを示す。
6. 観測量レベルのアジョイント定理（Observable-Level Adjoint Theorem）：アジョイント感度を用いて、完全な状態の偏差から、特定の科学的な関心対象（例：質量、エネルギー、フラックス）への関連性テストを拡張する。

運用プロトコル

本論文は、再利用可能なPDE発見のための10段階のデザインプロトコル（D1–D10）を概説している：

• アンカリング（Anchoring）：同次PDEにおける自明な解を避けるためのアンカー付き回帰の使用。
• デザイン診断（Design Diagnostics）：識別性を評価するために、コヒーレンスおよび制限固有値のプロキシを報告すること。
• 保守的なスクリーニング（Conservative Screening）：正確なサポート回収よりも、高い再現率（偽陽性を許容すること）を目指して疎な回帰を調整すること。
• 反事実的プルーニング（Counterfactual Pruning）：スクリーニングされた集合から項を削除し、偏差スコアを計算することで、機能的に無関係な項をフィルタリングすること。
• 報告（Reporting）：関連性の主張を行う際は、使用したライブラリ、実験クラス、観測ウィンドウ、ノルム、および閾値を明示すること。

3. 実験による検証

本フレームワークは、合成ベンチマークおよび公開されている地球物理学データセットの両方で検証されている。

合成実験

合成ケースは、特定の理論的メカニズムを検証するように設計されている：

• 残差・反事実的ギャップ：高い残差寄与を持ちながら、削除スコアが低いケースがあることを実証する。
• 単一モード・エイリアシング：列方向の演算子カラム（例：単一モードの反応拡散系における）が、係数の個別の識別を妨げることを確認する。
• 多軌跡分離可能性：多様な軌跡を追加することで、デザイン行列の条件付けと演算子の分離性が向上することを示す。

実データ実験

本手法は、公開されている地球物理学的場に適用されている：

1. 大気再解析（ERA5）：ウガンダ／東アフリカ領域。
   • 結果：デザイン行列の条件が悪く（コヒーレンス 0.6788、サンプル数が少ない）、疎なスクリーニングの結果、活性な演算子が一つも選択されなかった。本フレームワークは、結果を**「未解決／棄権」**として正しく報告した。これは、データが不十分な場合に過学習を回避する本手法の能力を示している。
2. NOAA OISST（海面水温）：西インド洋領域。
   • 結果：デザインの条件はより良好であった。疎なスクリーニングにより5つの項（$u_x, u_y, \Delta u, |\nabla u|^2$, 定数）が選択された。反事実的プルーニングにより、これらは二つの機能的に関連する項（子午線方向の勾配 $u_y$ および定数項）へと絞り込まれた。その他の項は、回帰によって選択されたものの、削除スコアは関連性の閾値を下回っていた。

4. 主要な貢献と主張

本論文は、自動的に「真の物理法則」をデータから回収することを主張しているのではない。代わりに、厳密な診断レイヤーを提供することを主張している。

• 概念の区別： 「残差の有用性」と「反事実的演算子の関連性」を形式的に分離している。
• 診断能力： データ不足やデザインの条件付けによってサポートの回収が不可能である場合、それを最適化のエラーとしてではなく、エイリアシングや制約によるものとして検知するツールを提供する。
• スクリーニングからプルーニングへのワークフロー： 疎な回帰が候補生成器として機能し、反事実的削除が関連性フィルターとして機能するという契約を確立している。
• 報告基準： 任意の発見された演算子集合を、特定の実験デザイン、ライブラリ、および許容誤差に対する「条件付きの関連性集合」として報告することを義務付けている。これにより、局所的な知見を普遍的な物理法則と誤認することを防ぐ。

5. 意義

本研究の意義は、その謙虚さと厳密さにある。それは、以下の点において、現在の科学的機械学習の「ブラックボックス」的な性質に対処している：

1. なぜ特定の項が選択されるのか（あるいはされないのか）を、単なる残差最小化を超えて説明する。
2. データやデザインの条件付けにより、発見手順が主張を控えるべき（棄権すべき）タイミングを提示する。
3. 実験クラスやライブラリによって課される制限について、誠実かつ再現可能な形で結果を報告する方法を提示する。

結論として、本論文は無条件のPDE発見を解決するものではないが、データ駆動型の科学モデリングにおいて、統計的な相関と機能的な必要性を区別するための不可欠なフレームワークを提供している。