🤖 AI

KANO: Kolmogorov-Arnold Neural Operator

本論文は、スペクトルと空間の両領域をパラメータ化し内在的な記号的解釈可能性を持つ「KANO（コルモゴロフ・アルノルド・ニューラル・オペレーター）」を提案し、従来のフーリエ・ニューラル・オペレーター（FNO）が持つ純スペクトル的なボトルネックを克服して位置依存ダイナミクスに対して強力な汎化性能を示し、量子ハミルトニアンの学習において FNO を大幅に凌駕する高精度な結果を達成したことを報告しています。

原著者： Jin Lee, Ziming Liu, Xinling Yu, Yixuan Wang, Haewon Jeong, Murphy Yuezhen Niu, Zheng Zhang

公開日 2026-02-26

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Jin Lee, Ziming Liu, Xinling Yu, Yixuan Wang, Haewon Jeong, Murphy Yuezhen Niu, Zheng Zhang

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

この論文は、**「KANO（カノ）」**という新しい AI モデルの発表です。この AI は、物理現象（気流や量子力学など）を記述する複雑な数式を、人間にも理解できる形で「発見」し、予測する能力を持っています。

従来の AI が「黒箱（中身が見えない箱）」だったのに対し、KANO は「透明な箱」で、中身がどう動いているかが一目でわかるのが最大の特徴です。

以下に、専門用語を避け、身近な例え話を使って解説します。

1. 従来の AI（FNO）の悩み：「完璧な翻訳者だが、方言に弱い」

まず、この研究の対抗馬である**FNO（フーリエ神経作用素）**という AI について考えましょう。

FNO の得意なこと：
FNO は、音楽の「音階（周波数）」に非常に詳しい天才です。例えば、ピアノの音が「ド・レ・ミ」の組み合わせでできていることを瞬時に理解し、それを基に複雑な旋律を再現できます。
FNO の弱点：
しかし、FNO は「音階（周波数）」だけで世界を見ています。
Imagine してください。ある地域では「雨の降り方」が場所によって全く違うとします（山では激しく、平野では穏やかに）。FNO は「音階」だけでこれを説明しようとするので、「場所による違い」を表現するのが苦手で、一度見たことのない場所（新しいデータ）に出会うと、全く予測できなくなってしまうのです。
これを論文では「純粋な周波数のボトルネック」と呼び、FNO は「練習した場所（トレーニングデータ）では完璧だが、未知の場所では失敗する」という弱点があります。

2. KANO の登場：「地図とコンパスの両方を持つ探検家」

そこで登場するのが、この論文の主人公**KANO（コルモゴロフ・アーノルド神経作用素）**です。

KANO は、FNO の「音階（周波数）」の得意分野に加え、**「場所（空間）」**の視点も同時に持っています。

二つの視点の融合：
- 周波数（音階）： 滑らかな変化や波のような動きを捉える。
- 空間（場所）： 場所によってルールが変わる現象（例えば、粘性が場所によって違う流体）を捉える。
KANO は、**「どの部分にはどっちの視点を使うのが一番シンプルか」**を自分で選び取ります。
- 波の動きなら「音階」で処理。
- 場所による変化なら「地図（空間）」で処理。
この**「二つの視点（双領域）」**を組み合わせることで、FNO が苦手とする「場所によってルールが変わる現象」でも、未知の場所でも正確に予測できるようになります。

3. 最大の特徴：「AI が数式を自分で書き直す」

KANO の最もすごいところは、**「ブラックボックスではない」**ことです。

従来の AI：
「入力 A に対して出力 B が返ってきた」ことはわかっても、「なぜ B になったのか」の中身は人間には読めない（重みという数字の羅列）。
KANO の魔法：
KANO は、学習した結果を**「人間が読める数式（シンボル）」**として書き出します。

例え話：
従来の AI が「この料理は美味しい（中身不明）」と言うのに対し、KANO は**「この料理は『塩 3g + 砂糖 2g + 火加減 10 分』でできている！」**と、レシピそのものを教えてくれます。

実験では、KANO は量子力学の複雑な方程式（ハミルトニアン）を、小数点第 4 位まで正確な数式として復元することに成功しました。これは、AI が単に「答えを当てる」だけでなく、**「物理法則そのものを発見した」**ことを意味します。

4. なぜこれが重要なのか？

効率性：
実験結果によると、KANO は FNO の**0.03%（3000 分の 1）のサイズで、FNO よりもはるかに高い精度を達成しました。つまり、「少ないリソースで、より賢く、より頑丈に」**動けます。
科学への貢献：
科学者たちは、AI が「なぜそうなるのか」を理解できないと、その結果を信用して新しい実験や設計に使えません。KANO は、AI が導き出した答えを**「人間が検証できる形（数式）」**で提示するため、科学の発見プロセスそのものを加速させます。

まとめ

FNO（旧型）： 音階に詳しいが、場所による変化には弱く、未知の状況で失敗しやすい。「黒箱」で中身が見えない。
KANO（新型）： 音階と場所の両方を見られる「二刀流」。場所が変わっても正確に予測できる。そして何より、「答えの理由（数式）」を人間に教えてくれる「透明な箱」。

この論文は、AI を単なる「予測ツール」から、**「科学の法則を発見するパートナー」**へと進化させるための重要な一歩を示しています。

KANO: コルモゴロフ・アルノルド・ニューラル・オペレータ (KANO) の技術的概要

本論文は、ICLR 2026 にて発表された「KANO: Kolmogorov–Arnold Neural Operator」に関する研究報告です。物理ダイナミクス、特に位置依存係数を持つ偏微分方程式（PDE）を学習する際の既存のニューラル・オペレータの限界を克服し、解釈可能性と汎化性能を両立する新しいアーキテクチャを提案しています。

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

1. 問題定義 (Problem)

既存の科学 AI、特にフーリエ・ニューラル・オペレータ（FNO）には、**「純粋なスペクトル的なボトルネック」**が存在します。

FNO の限界: FNO は、入力関数をフーリエ基底（スペクトル空間）に射影し、対角行列（スペクトル乗算子）で処理する構造を持っています。これは、定数係数の PDE やスペクトル的に疎な演算子に対しては非常に有効です。
位置依存ダイナミクスへの失敗: しかし、粘性や導電率が空間的に変化する流体、または位置に依存するポテンシャルを持つシュレーディンガー方程式など、「位置依存ダイナミクス（変数係数 PDE）」を扱う場合、FNO は本質的な困難に直面します。
- 位置演算子（ $x \cdot a(x)$ ）は、フーリエ基底では密なトイプリッツ行列（対角要素以外の値が多数存在）として表現されます。
- FNO の非線形活性化関数に依存してのみ対角外成分を生成できるため、学習された対角外成分は「訓練データの分布」に強く依存してしまいます。
- その結果、訓練分布外のデータ（Out-of-Distribution, OOD）に対しては汎化能力が著しく低下し、モデルサイズを指数関数的に増大させないと所望の精度に収束しないという「次元の呪い」に陥ります。

2. 手法 (Methodology)

著者らは、このボトルネックを解決するため、**コルモゴロフ・アルノルド・ニューラル・オペレータ（KANO）**を提案しました。

2.1 基本的なアイデア

KANO は、スペクトル空間と空間空間の両方の基底を同時に利用する「双領域（Dual-Domain）」アプローチを採用しています。

微分項（ $\partial_{xx}$ ）はスペクトル空間で疎（乗算子）になるためスペクトル基底で表現。
位置依存項（ $x^2 \cdot a(x)$ ）は空間空間で疎になるため空間基底で表現。
これらを統合し、最もコンパクトで扱いやすい表現を実現します。

2.2 アーキテクチャ

KANO は、疑似微分演算子（Pseudo-differential operator）の枠組みに基づいて設計されています。

KANO レイヤー: 従来の FNO の線形乗算子（ブロック対角行列）を、**コルモゴロフ・アルノルドネットワーク（KAN）**でパラメータ化された疑似微分記号 $p(x, \xi)$ $p (x, ξ)$ に置き換えます。
- 式 (15): $L_{KANO}(a)(x) = \Phi_{\theta_1}\left( \mathcal{O}_{p_m}[p_{\theta_2}(x, \xi)](a)(x), a(x) \right)$
- ここで、 $\Phi$ は非線形活性化のための KAN サブネット、 $p(x, \xi)$ は空間 $x$ とスペクトル $\xi$ の両方でパラメータ化される記号です。
コルン・ニレンベルク量子化: 記号 $p(x, \xi)$ の演算には、空間と周波数の両領域で離散化を行うコルン・ニレンベルク量子化（Kohn-Nirenberg quantization）を採用しています。
解釈可能性: KAN のエッジは学習可能な 1 次元関数（スプライン等）であるため、学習された演算子を視覚化し、**閉形式の記号式（Symbolic Formula）**として抽出することが可能です。

3. 主要な貢献 (Key Contributions)

FNO の純粋スペクトルボトルネックの理論的証明:
- 位置依存ダイナミクスにおいて、FNO が実用的なパラメータ数では所望の精度に収束できないことを理論的に示しました。具体的には、位置演算子がフーリエ尾部を代数減衰させ、その結果としてモデルサイズが超指数関数的に増大することを証明（定理 1）しました。
KANO の提案と双領域表現性の理論的保証:
- 空間とスペクトルの両方の疎性を活用する KANO のアーキテクチャを提案しました。
- 滑らかな記号を持つ演算子に対して、KANO のモデルサイズが精度に対して多項式スケールで収束することを証明（定理 2）し、FNO のような入力分布への依存性がないことを示しました。
記号復元と高性能な汎化の実証:
- 合成演算子ベンチマークおよび量子ハミルトニアン学習ベンチマークにおいて、KANO が FNO を凌駕する性能を発揮し、かつ学習された演算子を高精度な記号式として復元することに成功しました。

4. 実験結果 (Results)

4.1 合成演算子ベンチマーク

位置依存の 3 つの演算子（ $G_1, G_2, G_3$ ）に対して、訓練データ（Group A）と未見のテストデータ（Group B）で評価を行いました。

汎化性能: FNO はテストデータ（Group B）で損失が急増し、OOD 汎化に失敗しましたが、KANO は訓練データと同等の低い損失を維持し、堅牢な汎化を示しました。
効率性: KANO は FNO のパラメータ数の0.03%（152 パラメータ vs 566k パラメータ）でありながら、相対 $L_2$ 損失において 1 桁以上優位でした。
記号復元: 学習後の KAN エッジを可視化し、固定化して再学習を行うことで、真の演算子の係数を小数点第 4 位まで正確に復元することに成功しました（例： $x^2 \cdot f - \partial_{xx}f$ を $x^2 + 0.0003$ の誤差で復元）。

4.2 量子ダイナミクスベンチマーク

4 重井戸ポテンシャル（Double-Well）と非線形シュレーディンガー方程式（NLSE）の時間発展を学習するタスクです。

状態忠実度: 理想的な全波動関数データで訓練された FNO でも、長期的な時間発展では状態の忠実度が低下（誤差 $\approx 1.5 \times 10^{-2}$ ）しましたが、KANO は $\approx 6 \times 10^{-6}$ という極めて高い精度を維持しました。
物理的制約下での学習: 位置確率分布（PMF）のみ、あるいは位置と運動量の PMF のみという、物理的に現実的だが情報が限定的なデータでも、KANO は FNO を凌駕する性能を発揮しました。
ハミルトニアンの復元: 学習されたハミルトニアンの記号構造を復元し、係数を小数点第 4 位まで正確に特定しました。また、量子観測の制約（位相の消滅など）により復元が困難な項についても、データが支持する範囲で適切に学習していることが確認されました。

5. 意義と結論 (Significance)

パラダイムシフト: 従来の「万能近似（Universal Approximation）」に留まっていたニューラル・オペレータの学習から、**「万能汎化（Universal Generalization）」と「解釈可能性」**を重視する科学 AI の新しいパラダイムへの転換を提案しています。
物理的洞察の獲得: 単なるブラックボックスの近似ではなく、学習されたモデルから物理法則（閉形式の式）を直接抽出できる点は、科学発見やモデル検証において極めて重要です。
実用性の向上: 変数係数 PDE や位置依存ダイナミクスなど、FNO では扱いが困難だった複雑な物理現象に対して、少ないパラメータで高精度かつ頑健な予測を可能にします。

総じて、KANO は、ニューラル・オペレータの分野において、表現力、汎化性、そして解釈可能性を同時に達成する画期的なアプローチとして位置づけられます。