技術的概要：$\varphi$-FEM の計算コスト削減に向けたマルチグリッド法とニューラルネットワークの統合アプローチ

問題定義

有限要素法（FEM）は偏微分方程式（PDE）を解くための標準的な手法であるが、生体シミュレーションなどで見られる複雑な幾何学形状に適用する際には重大な限界に直面する。精度を維持するためには通常、適合メッシュが必要となるが、不規則な境界に対してはこれの生成が困難であり、計算コストも高くなる。これを回避するため、CutFEM、シフトド・バウンダリー・メソッド、$\varphi$-FEM（ファイ-FEM）などの非適合メッシュ法が導入されてきたが、特に高解像度のメッシュが要求される場合、これらはしばしば高い計算コストを伴う。

これらの手法の高速化に向けた従来からの試みには以下がある：

• マルチグリッド法： カートesianグリッドに対しては効率的であるが、複雑な領域における浸没境界法との結合は伝統的に困難であった。
• ニューラルネットワーク（例：FNO）： フーリエニューラルオペレーター（FNO）は複雑な幾何学形状を処理するために$\varphi$-FEM と組み合わされ（$\varphi$-FEM-FNO）、導入された。しかし、非線形弾性など高複雑度問題においては、これらの手法はしばしば速度のために精度を犠牲とし、FEM ベースのソルバーが達成する精度には到達できなかった。

本研究で扱われる核心的な問題は、純粋なニューラルオペレーターアプローチで見られる精度の低下を招くことなく、複雑な幾何学形状を処理しつつ、$\varphi$-FEM の高い精度を維持したままその計算コストを如何に削減するかである。

手法

本論文は、$\varphi$-FEM を高速化するための 2 つの異なる戦略を提案する。すなわち、純粋な数値的マルチグリッドアプローチと、マルチグリッドとニューラルネットワークを組み合わせるハイブリッドアプローチである。

1. $\varphi$-FEM フレームワーク

この手法は、領域 $\Omega = \{\varphi < 0\}$ とその境界 $\Gamma = \{\varphi = 0\}$ を記述するためにレベルセット関数 $\varphi$ を利用する。未知関数 $u$ は $u = \varphi w$ と書き換えられ、ここで $w$ が新たな未知関数となる。この手法は背景のデカルト座標グリッド上で動作し、領域および境界と交差するサブメッシュを構築する。このスキームは、カットセル上の安定化項を含む弱形式を満たすように有限要素空間内で $w_h$ を求めることで PDE を解く。

2. $\varphi$-FEM-マルチグリッド

このアプローチは、背景メッシュのデカルト座標構造を利用してマルチグリッド戦略を実装する：

• 粗ステップ： 粗いデカルトグリッド上で初期解を計算する。レベルセット関数を補間し、得られた粗いサブメッシュ上で$\varphi$-FEM スキームを解く。
• 細ステップ： メッシュを反復的に細分化する。前段階（より粗い）レベルからの解を、新しいより細かい有限要素空間に補間し、反復ソルバーの初期推定値として使用する。
• 制約： 幾何形状の一部が細分化中に失われないことを保証するため、正確な領域 $\Omega$ が初期の粗い領域 $\Omega^{(0)}_h$ の部分集合であると仮定する。

3. $\varphi$-FEM-M-FNO（ハイブリッドアプローチ）

コストをさらに削減するため、著者らはマルチグリッド法の「粗ステップ」を事前学習済みのフーリエニューラルオペレーターに置き換えることを提案する。

• 学習： $\varphi$-FEM-FNO を学習させ、問題データ（ソース項、境界条件、レベルセット関数）を粗い解像度での解 $w$ にマッピングさせる。
• 推論パイプライン：
  1. 粗予測： 学習済みの FNO が解の粗い近似を予測する。
  2. 離散化： この行列/テンソル予測を有限要素関数（節点値）に変換する。
  3. 細分化： 粗い解を細かいメッシュに補間する。
  4. 高解像度： 反復ソルバー（例：BiConjugate Gradient Stabilized）が、FNO 予測を初期値として用い、細かいメッシュ上で解を改善する。
• 利点： これにより学習データの要件が軽減される（粗いグリッドの生成は安価である）とともに、数値的に粗いグリッド上で PDE を解く必要がなくなり、総計算時間が大幅に短縮される。

主要な貢献

1. $\varphi$-FEM へのマルチグリッド統合： 本論文は、マルチグリッド手法を$\varphi$-FEM フレームワークに成功裡に適応させ、粗い解から開始してそれを細分化することで、精度を維持しつつ収束を加速できることを実証した。
2. ハイブリッド・ニューラル・マルチグリッド・ソルバー： 著者らは、ニューラルオペレーターが粗グリッドでの求解を置き換える新たな結合である$\varphi$-FEM-M-FNO を導入した。このアプローチは、ニューラルネットワークを初期化のみに用い、最終的な高精度な結果には厳密な$\varphi$-FEM ソルバーに依存することで、直接ニューラルソルバーが抱える精度と速度のトレードオフを回避する。
3. 数値的検証： これらの手法は、非線形方程式やレベルセット関数で定義された複雑でランダムに生成された幾何形状を含む、2 次元および 3 次元の問題で検証された。

結果

本論文は、Standard-FEM、$\varphi$-FEM、$\varphi$-FEM-マルチグリッド、および$\varphi$-FEM-M-FNO を比較する 4 つの数値テストケースを提示する：

• テストケース 1（2 次元非線形ディスク）： 両方のマルチグリッド変種は、古典的な$\varphi$-FEM と同等の精度を達成しつつ、Standard-FEM および標準的な$\varphi$-FEM よりも著しく高速であった。
• テストケース 2（3 次元球）： 直接ソルバーが過剰に高価となる 3 次元において、マルチグリッドアプローチは誤対時間というトレードオフの面で他の手法を上回り、より速く優れた精度を達成した。
• テストケース 3（非一様境界条件を有する 2 次元複雑幾何形状）：
  • $16 \times 16$グリッドで学習された FNO を使用した場合、$\varphi$-FEM-M-FNO は高解像度（$32$から$256$）において一貫して最速の手法であり、誤差は他の$\varphi$-FEM 変種と同等であった。
  • $32 \times 32$グリッドで学習された FNO を使用した場合、この手法は高い精度（許容誤差 $10^{-9}$）を達成しながらも優れた速度を維持した。
  • FNO アプローチにおける「粗ステップ」の所要時間は、数値的な粗グリッド求解（約 0.16 秒）と比較して無視できるほど短かった（約 0.004 秒）。
• テストケース 4（3 次元複雑幾何形状）： $160^3$までの 3 次元グリッドにおいて、$\varphi$-FEM-M-FNO は$\varphi$-FEM および$\varphi$-FEM-マルチグリッドの両方よりも体系的に大幅に高速であり、かつ精度を維持または向上させた。この手法は、レベルセット関数で定義されたランダムで複雑な幾何形状を成功裡に処理した。

意義と主張

本論文は、$\varphi$-FEM-M-FNO 法が古典的な科学計算と機械学習を架橋する「有望なハイブリッドフレームワーク」を表すと主張している。その主な意義は以下の点にある：

• 精度の維持： 純粋なニューラルオペレーターアプローチとは異なり、この手法はニューラルネットワークを初期化のみに用いることで、FEM ベースのソルバーが持つ理論的収束性と高精度を保持する。
• 効率性： 粗グリッドの求解を高速なニューラル推論に委譲し、マルチグリッド加速を活用することで、計算時間を大幅に削減する。
• スケーラビリティ： このアプローチは 2 次元および 3 次元の両方で効果的であることが示され、従来の FEM のメッシュ生成のボトルネックなしに、複雑な非適合幾何形状を処理する。

著者らは控えめに、課題が残されていること、特に FNO 学習フェーズの計算コストと、結合された数値/学習フレームワークに対する理論的収束解析の欠如を指摘している。しかし、彼らはこの研究を、精度と効率の両方が重要なマルチスケールおよび産業応用における革新的な基盤として位置づけている。