ASP-Assisted Symbolic Regression: Uncovering Hidden Physics in Fluid Mechanics

技術的概要：流体力学における ASP 支援シンボリック回帰

問題提起
流体力学のモデリングは、物理的に透明だが計算コストが高い従来の計算流体力学（CFD）と、効率的だがしばしば解釈性が欠如している（「ブラックボックス」的な振る舞い）現代の機械学習（ML）アプローチとの間で二極化しています。シンボリック回帰（SR）は、データから解釈可能な数式を発見できる有望な代替手段として登場しましたが、純粋にデータ駆動型の SR モデルは、統計的に正確だが物理的に不自然な式を生成するリスクを孕んでいます。これらは、基礎となる物理の明示的な知識なしに動作するため、ドメイン固有の制約や基本的な物理法則に違反する可能性があります。本研究は、長方形チャネル内の 3 次元層流のモデリングという課題に取り組み、特に、精度が高く物理的に整合性のある、コンパクトで解釈可能な軸方向速度および圧力場の式を導出することに焦点を当てています。

手法
本研究は、標準的なシンボリック回帰アプローチと、回答集合プログラミング（ASP）を統合した革新的なハイブリッドフレームワークという、二つの柱からなる手法を採用しています。

1. データ生成と設定:

   • 物理的問題は、対称的な長方形ダクト（$L=5, H=W=1$）内の 3 次元層流です。
   • 支配方程式は、無次元化されたナビエ - ストークス方程式と質量保存則です。
   • 数値解は、MATLAB で実装された有限体積法（FVM）を用いて、$50 \times 25 \times 25$ のグリッドで生成されました。
   • 流れは、一定の流線方向圧力勾配（$c$）によって駆動され、これが主要な制御パラメータとして機能します。有効レイノルズ数（$Re$）は、数値解から事後に計算され、SR モデルのスカラー制御パラメータとして使用されます。
   • データセットには、トレーニングセット（$Re \in \{34, 105, 174, 209, 279\}$）とテストセット（$Re \in \{70, 139, 244\}$）が含まれます。

2. シンボリック回帰（SR）フェーズ:

   • PySRライブラリ（v0.19.4）を使用して、軸方向速度（$u$）および圧力（$p$）を空間座標（$X, Y, Z$）および$Re$の関数として表すシンボリック式を発見します。
   • プリミティブ: 探索空間は、ドメインに根ざした演算子に制限されます：基本算術演算（$+, -, *, /$）および低次多項式（2 乗、3 乗）。
   • 制約: 解釈性を確保するため、式の複雑さは 25 演算に制限されます。ネストされた制約により、冗長な高次関数を防止します。
   • 最適化: 平均二乗誤差（MSE）を最小化するためにモデルを 1000 反復進化させ、精度と簡潔さのバランスをとるパレートフロントを生成します。

3. ハイブリッド SR/ASP フェーズ:

   • 純粋なデータ駆動モデルの限界に対処するため、著者らは制約充足のための宣言的プログラミングパラダイムである**回答集合プログラミング（ASP）**を SR と統合します。
   • ワークフロー: SR が候補式を生成します。これらは、複雑さ、損失、$Re$や$Y^2$のような特定の項の存在などの事実として解析されます。
   • フィルタリング: ASP プログラムは、ドメイン固有の物理的制約（$X^3$や$Y^3$のような非物理的項の排除、$Re$の含まれることの要求、非すべり境界条件の遵守、対称性の要件など）を符号化します。
   • 求解: ASP ソルバー（CLASP）がこれらの事実と制約を処理して SR の出力をフィルタリングし、統計的に正確かつ物理的に妥当な式のみを保持します。

主要な貢献

• コンパクトな物理法則の導出: 本研究は、数値解および確立された解析的傾向と密接に一致する、3 次元層流の速度および圧力に関する明示的で閉じた形式のシンボリック式を成功裡に導出しました。
• 新規な SR/ASP 統合: 著者らの知見によれば、本論文はシンボリック回帰と回答集合プログラミングを組み合わせる最初の試みです。このハイブリッドフレームワークは、SR の生成力と ASP の宣言的推論を活用して、導出されたモデルが物理原則に準拠することを保証します。
• 堅牢性の検証: このアプローチは、ノイズ注入（データに 2% のノイズを追加）および演算子セットの拡張（三角関数/指数関数の含む）を通じて検証され、発見された多項式関係が探索空間のアーティファクトではなく、流れの物理の真の反映であることを示しました。

結果

• 速度モデル: SR モデルは、$u_{symb} = Re(2.18 - 8.46 Y^2)(1 - 3.89 Z^2)$という式を導出しました。この式は、期待される放物線状の速度プロファイルを捉えています。トレーニングセットで正規化平均絶対誤差（NMAE）0.008%、テストセットで**0.010%**を達成しました。
• 圧力モデル: 導出された圧力式は$p_{symb} = Re(143.43 - 28.69 X)$であり、線形圧力低下を反映しています。このモデルは$10^{-8}\%$の範囲の NMAE を達成し、数値データとのほぼ完全な一致を示しました。
• 文献との比較: 導出された速度式は、文献に見られる長方形ダクトの解析解（例：$u \propto (1-4y^2)(1-4z^2)$）を近似しており、わずかな不一致は有限解像度の数値データに起因すると考えられます。
• ASP フィルタリング: 代表的な例において、ASP モジュールは 14 式のパレートフロントを正常にフィルタリングしました。最終的な速度式を含む、最も正確で物理的に妥当な候補を約0.1 秒で選択しました。これは、SR トレーニングフェーズに必要な 15 分と比較して無視できる時間です。フィルタリングは、対称性や境界条件に違反する式を正常に除外しました。

意義と主張
本論文は、提案された SR/ASP 手法が、データ駆動アプローチと知識表現アプローチを組み合わせることで、流体力学における AI モデルの解釈性、信頼性、物理的整合性を強化する可能性を実証していると主張しています。

• 解釈性: 「ブラックボックス」的な ML モデルとは異なり、生成された式は人間が読め、基礎となる物理（放物線状の速度、線形圧力低下）を明らかにします。
• 信頼性: ASP を統合することで、フレームワークはモデルが単にデータに適合するだけでなく、ドメイン固有の制約を尊重することを保証し、物理的に不可能な式の選択を防ぎます。
• 効率性: 導出されたシンボリック式は、計算集約的な数値手法の効率的な代理モデルとして機能し、迅速かつ正確な予測を提供します。

著者らは、将来の波及効果については控えめなトーンを維持しており、現在の研究は特定の 3 次元チャネル幾何学に焦点を当てているものの、フレームワークは一般化可能であると述べています。将来の作業としては、SR 演算子へのチェビシェフ多項式の統合や、ドメイン知識の自然言語記述から ASP 制約を自動的に導出するための大規模言語モデル（LLM）の使用が提案されています。