Exterior complex scaling enables physics-informed neural networks for quantum scattering

本研究は、外部複素スケーリングが非減衰散乱波動関数を指数関数的に減衰する形式へと変換することを示しており、これにより物理情報に基づいたニューラルネットワークが初めて核散乱問題を正確に解くことが可能となり、効率的な逆問題の解決や複雑な反応モデリングへの道を開くものである。

要約

大きな問題： 「終わりのないエコー」

ボールが壁に跳ね返る様子を予測しようとしている場面を想像してみてください。原子や原子核の世界では、この「ボール」は粒子であり、「壁」は別の原子核です。それらが衝突すると、単に止まるのではなく、散乱します。

物理学において、この散乱を記述する数学は、決して止まることのない波のようなものです。それは、果てしない峡谷の中で響き続ける音波のように、永遠に前後に振動し続けます。

数十年にわたり、科学者たちはこれらの方程式を解くために標準的なコンピュータプログラムを使用してきました。これらのプログラムは、グリッド（格子）や梯子（はしご）のように機能します。つまり、ある点から次の点へと一歩ずつ進んでいくのです。しかし、波が止まることはないため、コンピュータは正しい答えを得るために永遠にステップを踏み続けなければなりません。もし梯子を途中で切り上げてしまうと、間違った答え（本来そこには存在しないはずの壁に反射したエコーのようなもの）を得てしまいます。

近年、**物理情報ニューラルネットワーク（PINN）**と呼ばれる新しいタイプのコンピュータプログラムが普及しました。PINNを、ルールの学習方法が「格子のステップを踏む」のではなく、「ゲームのルール（物理方程式）を見て学ぶ」非常に賢い学生だと考えてみてください。PINNは、物事が落ち着いて収束していく問題（熱が冷めていく様子など）を解くのが得意です。しかし、核散乱においては、波が決して収束せず、永遠に振動し続けるため、PINNは惨めに失敗します。学生は混乱し、答えを見つけることができなくなります。

解決策： 「複素数の鏡」

この論文の著者であるJin Lei氏は、ニューラルネットワークの学生に問題を理解させるための巧妙なトリックを見つけました。彼は、**外部複素スケーリング（ECS）**と呼ばれる数学的手法を用いました。

核衝突が起きている部屋を想像してください。

1. 現実の部屋： 部屋の中（原子核の近く）では、物理現象は正常です。粒子は跳ね回り、壁は実在しています。
2. 複素数の鏡： 粒子が部屋を出て「外側」に入ると、著者は床を、世界を別の次元（複素平面）へと傾ける「鏡」に変えてしまいます。

この傾いた「複素数」の世界では、終わりのない振動波が突然変容します。永遠に前後に跳ね返り続ける代わりに、厚い霧の中で音が消えていくように、**指数関数的に減衰（フェードアウト）**し始めるのです。これは「指数関数的に減衰する波」となります。

これで、ニューラルネットワークの学生は喜びます！ 波が消えていく様子を目にするからです。問題が「収束する」性質を持つものに変わったため、学生は容易にルールを学習できるようになります。

「駆動型」のトリック： ノイズの分離

これを完璧に機能させるために、著者は問題の「問い方」も変更しました。

ニューラルネットワークに、ゼロから波の「全体」を解かせようとするのではなく、問題を二つの部分に分割しました。

1. 既知の部分： コンピュータがすでに計算方法を知っている「背景」となる波（標準的な音波のようなもの）。
2. 「駆動された」部分： 衝突によって引き起こされる、複雑で興味深い部分。

著者は、この「複雑な」部分が、原子核同士が実際に接触する場所（現実の部屋）にのみ存在するような数学的設定を行いました。粒子がその部屋を出ると、その「複雑な」部分は強制的にゼロになります。つまり、ニューラルネットワークは、現実の部屋の中だけでその複雑な部分を学習し、その後は複素数の鏡の中でそれが消えていく様子を見守るだけでよいのです。無限に遠い場所で何が起きているかを推測する必要はありません。数学が、強制的に消えていくように仕向けているからです。

結果： 新しい手法のテスト

著者は、この手法が機能することを証明するために、2つの異なるシナリオでテストを行いました。

1. 軽いテスト（中性子 ＋ カルシウム）： 中性子がカルシウム原子核に衝突する様子をシミュレーションしました。結果は驚くほど正確で、最高の伝統的なコンピュータ手法とほぼ完全に一致しました。その差は極めて小さく、跳ね返りの角度において0.1度未満というレベルでした。
2. 重いテスト（リチウム ＋ リード）： リチウムと鉛の間の、より重い衝突をシミュレートしました。これは、両者の間の電気的な反発力が非常に大きいため、より困難なテストです。それでもこの手法は機能し、粒子がわずかに触れ合う「グレーゾーン」においても、粒子がどのように散乱するかを正確に予測しました。

なぜこれが重要なのか（論文による）

この論文は、以下の理由からこれが画期的な成果であると主張しています。

• 他が失敗する場所でも機能する： ニューラルネットワークが、これらの特定の核散乱問題を解決できたのは初めてのことです。
• 「エンド・トゥ・エンド」である： プロセス全体がニューラルネットワークに基づいているため、入力（例えば核力の強さ）を調整すると、コンピュータは即座に出力がどのように変化するかを理解します。これは、粒子の跳ね返り方から「原子核がどのような形をしているか」を導き出す「逆問題」を解く上で非常に有利です。
• 「困難な」事象を扱う： 硬直したグリッドを構築する必要がないため、複雑な形状や多粒子系の問題にも対処できます。通常のコンピュータでは、物事が複雑になりすぎるとクラッシュしてしまうことがありますが、この手法はその問題を回避します。

要約すると： 著者は、数学的な「漏斗（ファンネル）」（複素スケーリング）を作り上げることで、不可能で終わりのない波の問題を、現代のAIが容易かつ正確に解ける「単純な、減衰する波の問題」へと変貌させたのです。

技術概要

技術要約：外部複素スケーリングによる核反応への物理情報ニューラルネットワークの適用

問題提起
物理情報ニューラルネットワーク（PINN）は、様々な領域の微分方程式を解くための強力なツールとして台頭している。しかし、核散乱における散乱波動関数の性質により、その応用は根本的な困難に直面してきた。束縛状態の問題とは異なり、散乱波動関数はすべての半径において振動的な性質を持ち、無限遠における放射境界条件（ゾンマーフェルト条件）を満たす。従来のPINNは有限の計算領域で動作し、解とは独立して指定できる境界条件を必要とする。この振動的で減衰しない放射条件と、有限領域での計算との間の不整合が、これまで核反応問題へのPINNの適用を阻んできた。有限の境界において、散乱波は振動的な性質を持つため、単純なディリクレ条件やノイマン条件を課すことができず、領域を切り詰めることは解を汚染する偽の反射を導入することになる。

手法
本研究では、境界条件の障害を克服するために、**外部複素スケーリング（ECS）**をPINNと組み合わせたフレームワークを導入する。この手法は、主に以下の3つの要素で構成される。

1. 外部複素スケーリング（ECS）： 半径 $r$ を、スケーリング半径 $R_0$ を超えて複素平面内へと解析的に継続させる。$r > R_0$ において、座標は角度 $\theta$ だけ回転する。この変換により、外向きの振動波（$e^{ikr}$）は指数関数的に減衰する関数（$e^{ikr \cos \theta} e^{-kr \sin \theta}$）へと変換される。その結果、散乱問題は平方可積分（$L^2$）な境界条件を持つ問題へと変貌し、偽の反射を生じることなく、有限の外側境界において波動関数をゼロに設定することが可能となる。極めて重要な点として、ECS変換は核相互作用領域を実軸上に保持するため、核ポテンシャルを複素平面へ解析的に継続させる必要がない。

2. 駆動方程式の定式化： 学習タスクをさらに簡略化するため、全波動関数 $u(r)$ を既知の入射クーロン波 $u_{in}(r)$ と散乱波 $u_{sc}(r)$ に分解する。散乱波は、ソース項が完全に実軸内（核の範囲内）に限定された非斉次的な駆動方程式に従う。ECS領域（$r > R_0$）では、ソース項は消失し、散乱波は指数関数的に減衰する境界条件を持つ斉次方程式に従う。この定式化により、ニューラルネットワークは振動関数ではなく、ゼロへと減衰する関数を学習することが可能となる。

3. ニューラルネットワークのアーキテクチャと学習：

   • アーキテクチャ： 散乱波の実部および虚部を表現するために、正弦関数（$\sin(z)$）活性化関数を用いた全結合フィードフォワードネットワークを使用する。
   • 境界条件： $u_{sc}(0)=0$ および $u_{sc}(R_{max})=0$ を強制するために、ハードコードされた乗法的因子を用いる。また、高角運動量（$\ell$）チャネルにおいて、標準的な $r^{\ell+1}$ の挙動がネットワークに極めて小さな値を出力することを強いることによる数値的オーバーフローを防ぐため、シグモイド・キャップ付き境界条件因子を導入している。
   • 損失関数： 損失関数は、駆動方程式の残差と、自明な解（$u_{sc}=0$）を防ぐためのアンカー項を組み合わせたものである。
   • 自己適応型アンカー・ウォームダウン： ソース項が弱いチャネル（高 $\ell$ または強いクーロン抑制）では、固定されたアンカーが解にバイアスを与える可能性がある。著者らは、ソースの大きさが閾値を下回るチャネルに対して、アンカーの重みを線形にゼロへと「ウォームダウン」させる自己適応メカニズムを実装している。これにより、最終的な解が残差損失のみによって駆動されるようになり、透過性の高いチャネルにおける人工的な吸収バイアスを排除できる。
   • 学習戦略： Adamオプティマイザに続くL-BFGSを用いた二段階の学習プロセスを採用している。重イオン系については、安定した収束を確保するために、核内部から外側に向かって学習領域を段階的に拡大する因果的学習戦略を用いている。

主な貢献

• 核反応へのPINNの初適用： 本研究は、ECSによって境界条件の不整合を解決することにより、核散乱問題へのPINに成功した初の適用例を示した。
• 駆動方程式の定式化： 核ポテンシャルの解析的継続を回避する、ソース限定型の駆動方程式の開発。
• 技術的革新： 高 $\ell$ の安定性のためのシグモイド・キャップ付き境界因子、および弱ソース・チャネルに対する偏りのない処理のための自己適応型アンカー・ウォームダウンの導入。
• エンドツーエンドの微分可能性： このフレームワークは、計算全体が微分可能であることを確立しており、光学ポテンシャルのパラメータに対する直接的な勾配ベースの最適化（逆問題）を可能にする。

結果
本手法は、以下の2つのベンチマーク・システムを用いて、既存のCOLOSSコード（複素スケーリングを用いたラグランジュ・メッシュ離散化を使用）に対して検証された。

1. 中性子・原子核散乱（20 MeVにおける $n + ^{40}\text{Ca}$）：

   • Koning-Delaroche グローバル光学ポテンシャルを用い、21個の部分波（$\ell=10$ までのスピン軌道パートナーを含む）を計算した。
   • 精度： 強吸収チャネル（$\ell \le 4$）における位相差誤差（$\Delta\delta$）は $\lesssim 0.1^\circ$ であり、$\ell=10$ までの全チャネルにおいて $\le 0.60^\circ$ であった。全チャネルの平均誤差は $0.09^\circ$ であった。
   • 波動関数： PINNと参照解の相対RMS差は、低 $\ell$ チャネルで $0.15\%$ 未満であり、最悪のケースのチャネルでも $2\%$ 未満であった。

2. 重イオン散乱（40 MeVにおける $^6\text{Li} + ^{208}\text{Pb}$）：

   • 強いクーロン効果（$\eta \approx 15$）を伴う41個の部分波を計算した。
   • 精度： 全部分波における平均S行列精度は $|\Delta|S_\ell|| \approx 3 \times 10^{-3}$ であった。吸収から透明性への遷移が困難な領域（$\ell \approx 25\text{--}30$）においても、誤差は $0.007$ を下回った。
   • 観測量： 計算されたラザフォード比は、特徴的なクーロン・核干渉パターンを捉えつつ、参照解を3桁のオーダーにわたって再現した。

意義と主張
本論文は、本研究が核反応物理学へのPINNの拡張のための基礎を築くものであると主張している。主要な意義は、エンドツーエンドの微分可能性を実現したことにあり、これにより、従来は高価な外部ループ最適化を必要とした光学ポテンシャルのパラメータを、実験データに対して直接フィッティングすることが可能になる。さらに、このメッシュフリーな性質は、従来の格子ベースの手法が指数関数的なコスト増に直面する結合チャネル反応や、三体散乱問題（例：ファデエフ方程式）を解くための潜在的な経路を提供する。

著者らは、現在のメソッドが、物理現象がECSスケーリング半径よりも小さい半径に限定されている反応（弾性、非弾性、および転移反応）に限定されていることを指摘している。長距離の電磁遷移によって支配されるプロセス（例：障壁下のクーロン励起）は、このフレームワーク内で直接扱うことはできない。計算コストは現在、従来の積分法よりも高い（1チャネルあたり数分 vs 数秒）が、微分可能性やメッシュフリーの定式化を必要とする研究用途においては、これは許容範囲であると著者らは述べている。