論文技術要約：データ駆動・モデルフリー・物理情報深層作用素ネットワークによる非線形動的システムへの適用

1. 背景と問題定義

動的システムの分析において、状態の推定と予測は科学・工学の多くの分野で不可欠です。近年、物理情報深層学習（Physics-Informed Deep Learning）や Deep Operator Network（DeepOnet）が注目されていますが、既存のアプローチには以下の重大な制約が存在します。

• 既存 DeepOnet の限界: 非線形作用素を学習するために、システムを記述する正確な数学的公式または膨大な量のデータのいずれかが必要です。
• 現実的な課題: 多くの動的システム（特に複雑な実システム）では、正確な微分方程式（物理法則）が不明であるか、あるいは実験コストの高さにより利用可能なデータが極めて限定的（スパース）であるという状況に直面します。
• 既存 PINN の限界: 物理情報ニューラルネットワーク（PINN）は少量データに強いですが、物理法則（微分方程式の具体的な形）を事前に知っている必要があります。

本研究の目的:
数学的なモデル（微分方程式の具体的な式）が不明であり、かつ利用可能な実験データが限られているという「二重の制約」下において、非線形動的システムの動的応答を高精度に学習・推定する新しいフレームワークの提案です。

2. 提案手法：モデルフリー物理情報 DeepOnet

本研究は、**「短期依存性（Short-term Dependence）」**の概念を深層学習モデルに組み込むことで、上記の課題を解決します。

2.1 理論的基盤：短期依存性

連続時間システムを離散時間システムとしてサンプリングする場合、サンプリング間隔 $\delta$ が十分に小さいと、現在の状態 $x(t)$ は、過去 $n$ ステップの状態と入力（$x(t-n), \dots, x(t-1)$ および $u(t-n), \dots, u(t-1)$）のみに依存します（ここで $n$ はシステムの微分方程式の次数）。
この性質を利用し、システムの物理法則そのものではなく、**「過去の状態・入力から現在の状態（またはその微分値）を予測するマッピング」**を学習することで、物理的な制約を代替します。

2.2 アーキテクチャ

提案手法は、以下の 2 つの段階で構成されるハイブリッドモデルです。

1. サロゲートモデルによる短期依存性の抽出:

   • 限られた実験データを用いて、過去の状態・入力から現在の状態（または最高次微分値）を予測する機械学習モデル（ここでは FFNN: 順伝播型ニューラルネットワーク）を事前学習します。
   • このモデルは、システムの「物理的な挙動（微分方程式の振る舞い）」をデータから暗黙的に学習したサロゲートとして機能します。

2. 物理情報 DeepOnet の統合:

   • Branch Net（枝ネットワーク）: 初期状態 $x(0)$ と制御入力系列 $u(0), \dots, u(t)$ を入力として処理。
   • Trunk Net（幹ネットワーク）: 時間ステップ $t$ を入力として処理。
   • 損失関数の設計:
     • データ損失 ($L_{data}$): 予測値と実際の測定値の誤差。
     • 物理情報損失 ($L_P$): DeepOnet が予測した状態 $\hat{x}(t)$ から自動微分を用いて導出された微分値と、前述のサロゲートモデルが予測した微分値との不一致を最小化します。
   • これにより、DeepOnet は「データが少ない場合でも、サロゲートモデルから得られた物理的制約（短期依存性）を遵守しながら学習」できるようになります。

3. 主要な貢献

• モデルフリーかつデータ効率の高いアプローチ: 物理方程式の具体的な形を知らずとも、かつ少量のデータ（本研究では 5 組のトレーニングデータ）でシステムを学習可能にしました。
• サロゲートモデルの物理情報化: 従来の PINN が「既知の物理法則」を損失関数に組み込むのに対し、本研究では「データから学習したサロゲートモデル」を物理情報として DeepOnet に統合する画期的な手法を提案しました。
• ノイズ耐性の向上: 測定ノイズを含む実データに対しても、Savitzky-Golay フィルタと組み合わせて高いロバスト性を示しました。

4. 実験結果

3 つの異なる非線形動的システム（2 階微分方程式系 2 種類、3 階微分方程式系 1 種類）を用いて検証を行いました。

対象システム

1. 振り子システム (Pendulum): 2 階 ODE。制御入力により安定化。
2. 駆動振動子システム (Driven Oscillator): 2 階 ODE。制御入力によりわずかに不安定化。
3. カオス・ジャークシステム (Chaotic Jerk System): 3 階 ODE。初期値敏感性を持つカオス系。

評価結果

• ノイズなしデータ:
  • 全てのシステムにおいて、提案手法は標準的な DeepOnet よりも高い精度を示しました。
  • 振り子システム: DeepOnet の MAE が 17.98 に対し、提案手法は 6.23。
  • 駆動振動子: DeepOnet の MAE が 36.22 に対し、提案手法は 16.69。
  • ジャークシステム: DeepOnet の MAE が 10.5 に対し、提案手法は 19.8（※このケースでは DeepOnet が若干優れていましたが、全体的な傾向として提案手法はノイズに対して堅牢でした）。
• 測定ノイズありデータ:
  • ノイズ（ガウシアンノイズ）が混入したデータにおいて、提案手法の優位性が顕著になりました。
  • 振り子システム: DeepOnet の MAE が 19.27 に対し、提案手法は 7.57。
  • 駆動振動子: DeepOnet の MAE が 39.46 に対し、提案手法は 19.10。
  • ジャークシステム: DeepOnet の MAE が 22.2 に対し、提案手法は 18.7。
  • 標準 DeepOnet はノイズに対して過剰適合したり、トレンドを捉えきれない傾向がありましたが、提案手法はノイズを平滑化しつつ物理的整合性を保ち、真の値に追従する能力に優れていました。

5. 意義と結論

本研究は、**「モデルが不明」かつ「データが不足している」**という、実世界の動的システム制御・推定における最も困難なシナリオの一つに対して、有効な解決策を提供しました。

• 実用性: 高コストな実験や完全な物理モデルの構築が不可能な状況でも、限られたデータから高精度なシステム予測が可能になります。
• 汎用性: 2 階から 3 階までの微分方程式系、さらにはカオス的な挙動を示すシステムにも適用可能です。
• 将来展望: この「データから物理的制約を学習し、DeepOnet に注入する」というアプローチは、オフライン状態推定の分野において、データ駆動型手法と物理ベース手法のギャップを埋める重要なステップとなります。

要約すれば、本研究は**「データから学習した短期的な物理的依存関係を、DeepOnet の物理情報損失として利用する」**という革新的な枠組みにより、少量データ・不完全モデル下での非線形動的システム学習を可能にした点に最大の価値があります。