Realizability-Constrained Machine Learning for Turbulence Closures in Wake Flows

本論文は、物理的制約を直接 CFD 解法ループに統合し、後流に対する安定かつ物理的に整合性のある乱流閉鎖モデルを効率的に発見する残差および実現可能性フィルタリングを施した遺伝的プログラミングフレームワークを提案するものであり、計算コストと非実現可能な結果を大幅に削減しつつ、多様な幾何形状に対して堅牢な汎化性能を実証する。

要約

ロボットに、車や船の後ろで煙がどのように渦巻くかを予測させる方法を教えることを想像してください。これは「乱流モデリング」と呼ばれる問題です。科学者はこれを行うために複雑な数学（シミュレーション）を使いますが、彼らが使用する標準的な数学は鈍器のようです。特に物体の後ろの厄介な後流において、詳細を誤って捉えることがよくあります。

これを修正するために、この論文の研究者たちは機械学習を用いて、より賢い新しい数学の公式を発明しました。しかし、機械に物理の公式を発明させるのは厄介です。機械に自由にやらせると、紙の上では良く見えるが、コンピュータシミュレーションをクラッシュさせたり、フリーズさせたり、「ゴースト」（物理法則を破る結果）を生み出す公式を作ることがよくあります。

以下に、この論文がどのようにこの問題を解決しているかを、簡単に説明します。

1. 問題点：「野生児」のような学習者

機械学習のプロセスを、256 人の生徒（候補となる公式）にパズルを解かせる教師だと考えてみてください。

• 従来の方法（ベースライン）： 教師はすべての生徒に、長時間（数千ステップ）パズルに取り組ませます。ある生徒の答えが教室を爆発させ（コンピュータがクラッシュ）、または物理的に不可能な数値（負のエネルギーなど）を書き込んだ場合、教師はその生徒が何時間も無駄にした後にしか気づきません。これは信じられないほど遅く、高価です。
• 課題： これらの「悪い」公式の多くは数学的に不安定か「実現不可能」（現実のルールを破る）ですが、コンピュータは手遅れになるまでこれを知りません。

2. 解決策：「3 段階のセキュリティチェック」

著者たちはRR-GEPと呼ばれる新しいシステムを作成しました。すべての生徒を最後までやらせる代わりに、3 つのゲートを持つ厳格なセキュリティチェックポイントを設置しました。生徒がゲートに不合格になると、即座に排除され、時間とエネルギーが節約されます。

• ゲート 1：「爆発していないか？」チェック（残差チェック）
  生徒が数学の問題を解いていると想像してください。もし彼らの数値が激しく跳ねたり、巨大化したりし始めたら、教師は即座に彼らを止めさせます。これにより、コンピュータをクラッシュさせる公式を捕捉します。
• ゲート 2：「改善しているか？」チェック（収束チェック）
  数値が爆発していない場合、教師は尋ねます。「答えに近づいていますか？」もし生徒がループに陥り、進展が見られなければ、彼らを帰宅させます。これにより、何も解決せずに時間を浪費する公式を止めます。
• ゲート 3：「意味があるか？」チェック（実現可能性チェック）
  これが最も重要な新機能です。たとえ生徒が数学を正しく解き、クラッシュさせていなくても、その答えが現実世界では不可能な場合があります。
  • 比喩： 生徒が「風速は時速 100 マイルだが、空気の重さは負だ」と言ったと想像してください。数学は正しいかもしれませんが、物理は間違っています。
  • 研究者たちは、生徒の答えが「現実の三角形」の中に収まっているかどうかをチェックするための特別なマップ（重心マップ）を使用します。答えがこの三角形の外に出れば、即座に拒否されます。これにより、新しい公式が物理の根本法則を尊重していることが保証されます。

3. 結果：より速く、より賢く

この 3 段階のフィルターを使用することで、研究者たちは印象的な成果を上げました。

• 速度： AI の学習に必要な時間を**42%**削減しました。失敗することが決まっている公式に時間を浪費することをやめました。
• 品質： 従来の方法では、最終的な公式のほぼ**60%が物理的に不可能（「実現不可能」）でした。彼らの新しい方法では、これを2%**未満に削減しました。
• 性能： 彼らが発見した公式は安定しているだけでなく、物体の後ろの「後流」（渦巻く空気/水）を予測する能力が実際には向上していました。渦巻く領域のサイズを、従来の標準的な方法よりも正確に予測しました。

4. 他のものにも機能するか？

研究者たちは、AI を単純な円筒（水中に突き出た管のようなもの）で訓練しました。その後、全く異なる形状でテストを行いました。

• 長方形の円筒（レンガのようなもの）。
• 翼型（飛行機の翼）。
• 潜水艦の形状（DARPA Suboff）。

AI が丸い管だけで訓練されたにもかかわらず、レンガ、翼、潜水艦の後流を正常に予測しました。それは単に管を暗記したのではなく、乱流がどのように機能するかという根本的なルールを学び、これらすべての新しい状況において、そのルールを「現実的」（物理的に可能）に保ちました。

まとめ

この論文は、コンピュータに物理の公式を発明させる新しい方法を提示しています。コンピュータに盲目に推測させ、クラッシュしないことを願う代わりに、3 つの「ガードレール」を設置しました。これらのガードレールは、コンピュータが悪いアイデアに時間を浪費するのを防ぎ、発明するすべての最終的な公式が物理法則に従うことを保証します。これにより、物体の周りの流体の動きを予測するプロセスは、より速く、安価になり、はるかに信頼性が高まりました。

技術概要

技術的概要：後流における乱流閉塞のための実現性制約付き機械学習

問題提起
計算流体力学（CFD）駆動の機械学習フレームワーク、特に遺伝子式プログラミング（GEP）による記号回帰を利用するものは、明示的かつ物理的に解釈可能な乱流モデルを発見するための有望な道筋を提供する。しかし、これらのフレームワークは数値的不安定性と物理的許容性に関して重大な限界に直面している。訓練プロセス中、数千の候補となる閉塞モデルが逐次的にレイノルズ平均ナビエ・ストークス（RANS）ソルバーに組み込まれる。これらの候補の無視できない割合が、ソルバーの発散、残差の停滞、または乱流量の非物理的な増大を引き起こす。このような不安定な振る舞いは、しばしば数千回の反復後にしか検出されず、結果として膨大な計算資源の浪費を招く。さらに、既存のフレームワークは、発見プロセス中に「実現性」、すなわちモデル化されたレイノルズ応力が物理的に許容可能であること（例えば、正の乱流運動エネルギー、有界な異方性）を要求することをほとんど強制しない。その結果、学習された閉塞モデルは、参照データとの平均流の一致を改善しているように見えたとしても、基本的な物理的制約に違反する可能性があり、ロバスト性と汎化性が損なわれる。

手法
著者らは、GEP パラダイムに統合された残差および実現性フィルタ付き CFD 駆動フレームワークを提案する。このアプローチは、不安定かつ非実現的な候補モデルの早期識別と拒絶を可能にするため、CFD 解ループに直接多段階の監督層を導入する。手法は、完全収束（$N_3$）が試みられる前に特定の反復回数（$N_1$および$N_2$）で適用される 3 つの連続的なフィルタリング段階から構成される。

1. 段階 1（絶対残差）： $N_1$回の反復後、支配方程式の最大正規化残差が規定された閾値（$\epsilon_1 \approx 10^{-1}$）を超えた場合、候補は拒絶される。これにより、即座の発散を引き起こすモデルが除外される。
2. 段階 2（残差減少率）： 段階 1 を通過した候補は、$N_2$回の反復時点で評価される。$N_1$と$N_2$の間の残差減少率（$\Gamma$）が最小改善係数を満たさない場合、または解が停滞している場合は拒絶される。これにより、残差の一貫した減衰を示すモデルのみが進行する。
3. 段階 3（実現性の強制）： 残差チェックを通過したモデルに対して、重心マップに基づく制約が適用される。正規化異方性テンソルの固有値が計算され、得られた状態は、限界乱流状態（1C、2C、3C）を表す重心三角形上にマッピングされる。重心重みが凸性制約に違反する場合、候補は拒絶される。ここで、不完全な収束を考慮するため、有効残差によってスケーリングされた小さな許容誤差（$\epsilon_3$）が許容される。

このフレームワークは、$Re=3900$の標準的な円柱後流で訓練された。コスト関数は、後流における RANS と大渦シミュレーション（LES）の流線方向速度プロファイルの不一致を最小化し、安定性や実現性に対する明示的なペナルティ項は含まれなかった。これらはフィルタリング段階を通じて厳格に強制されたからである。得られたモデルは、特に後流領域に適用される明示的代数レイノルズ応力モデル（EARSM）であり、それ以外の領域ではブシネスク近似が維持された。

主要な貢献

• フィルタ付き GEP フレームワークの開発： 本論文は、安定性と実現性のチェックを進化的ループに直接統合する新規の「実現性残差フィルタ付き GEP（RR-GEP）」アルゴリズムを導入する。これは「凍結」されたまたは標準的な CFD 駆動アプローチと区別される。
• 効率性の向上： 生産性の低い候補を早期に終了させることで、モデル発見の計算コストを大幅に削減する。
• 物理的許容性： 訓練中に実現性制約を明示的に強制し、発見されたモデルが物理的に整合的なレイノルズ応力状態を生成することを保証する。
• 汎化性の検証： 発見されたモデルのロバスト性を、円筒、NACA 0012 翼型、軸対称 DARPA Suboff 体など、多様な幾何学形状および流れ領域、$10^3$から$10^6$の範囲のレイノルズ数において検証した。

結果

• 計算効率： RR-GEP フレームワークは、基準となる CFD 駆動 GEP（B-GEP）と比較して、計算コストを 42.3% 削減した。RR-GEP のモデル拒絶率は平均で 37.8% であり、そのうち 47.3% は最初の世代だけで拒絶された。
• 実現性の向上： フィルタリング戦略により、収束時の非実現モデルの存在割合が劇的に減少した。B-GEP フレームワークでは収束モデルの 58.4% が非実現であったが、この数値は RR-GEP フレームワークでは**1.7%**に低下した。
• 予測精度： RR-GEP モデルは訓練ケース（円柱）の後流予測を改善し、剥離バブル長を基準 RANS の$x/D \approx 4.5$から 2.25 に減少させ、LES データとほぼ一致した。また、レイノルズせん断応力および乱流運動エネルギーの予測も改善された。
• ロバスト性と汎化性： 円柱で訓練されたモデルは、実現性を失うことなく、未見の幾何学形状（長方形円柱、翼型、Suboff）およびより高いレイノルズ数に成功裏に汎化した。モデルは、すべてのテストケースにおいて有界な係数挙動と物理的に整合的な異方性軌跡を維持した。
• モデル特性： フィルタリングプロセスにより、基準と比較して有意に減少し、厳密に有界化されたスカラー係数を有するモデルが導かれた。例えば、係数$|\zeta_1|$の平均絶対値は、B-GEP の$\approx 2.73$から RR-GEP の$\approx 1.76$に減少し、非物理的応力の増幅を回避する、より単純で制御された関数形式を好む傾向を示した。

意義
本論文は、実現性と安定性の制約を CFD 駆動学習に直接組み込むことで、数値的にロバストかつ物理的に整合的な乱流モデルの効率的な発見が可能になると主張する。不安定かつ非実現的な候補を早期にフィルタリングすることで、このフレームワークはモデル発見の計算負担を軽減しつつ、探索を物理的に許容可能な解へと誘導する。結果は、このアプローチが、多様な流れ構成および運転条件にわたって良好に汎化する信頼性の高いデータ駆動型閉塞モデルの開発に向けたスケーラブルな道筋を提供することを示しており、現在の機械学習に基づく乱流モデリングの取り組みにおける重要なギャップを埋めるものである。