技術的サマリー：ホッジ分解によるトポロジー保存型ニューラル演算子学習

1. 問題定義

本論文は、境界を持ち非自明なトポロジーを有する一般のリーマン多様体上で、偏微分方程式に支配される物理場方程式の解演算子を学習する課題に取り組む。ニューラル演算子（FNO、DeepONet など）は、正規のグリッドとスペクトル変換を用いるユークリッド領域において成功を収めているが、車両表面、球幾何学、臓器形状などの複雑な多様体では困難に直面する。

核心的な難しさは、2 つの異なる構造的制約間の緊張関係にある：

1. トポロジカル制約：多様体のコホモロジーによって符号化された大域的な不変量（循環、正味フラックスなど）。これらはホッジラプラシアンの核によって支配され、厳密に保存されなければならない。
2. 幾何学的・材料制約：リーマン計量と材料テンソルによって支配される局所的な高周波ダイナミクス、異方性拡散、および境界層。

既存のアプローチは、これらの制約を同時に満たすことに失敗している：内在的幾何学的手法（測地線畳み込みなど）は過大なオーバーヘッドを招き、高周波数に対して困難を抱える；外在的スペクトル手法はコホモロジー構造を無視する；グラフベース手法は過剰平滑化に陥り、微分複体の明示的な符号化を欠く。

2. 手法：ホッジスペクトル双対性（HSD）

著者らは、ホッジ理論とリー・トロッター演算子分割を用いて演算子学習問題を分解するハイブリッド・オイラー・ラグランジュアーキテクチャである**ホッジスペクトル双対性（HSD）**フレームワークを提案する。

2.1. 理論的基盤

本手法は、物理場を単体複体上の離散微分形式（ノード上の 0-形式、エッジ上の 1-形式、面上の 2-形式）として扱う。任意の $k$-形式 $\omega_k$ を直交的に分離するホッジ分解を活用する：

• 勾配型（完全）：$im(d_{k-1})$
• 回転型（余完全）：$im(\delta_{k+1})$
• 調和型：$ker(\Delta_k)$、大域的トポロジカル不変量を表す。

著者らは、ホッジ直交性により、標準的な勾配降下法ではその大域性ゆえに学習不可能なトポロジカル自由度を、学習可能な幾何学的ダイナミクスから分離する加法的近似が可能であると主張する。

2.2. アーキテクチャ

HSD 演算子 $G_\theta$ は、2 つの相補的なブランチに分解される：
$$G_\theta = G_{base, \theta} + G_{fiber, \theta}$$

A. ベース空間ブランチ（大域トポロジー）

• ドメイン：切断されたホッジスペクトルドメイン（離散ホッジラプラシアンの最低固有モードで張られる低次元部分空間）で動作する。
• 機能：トポロジー支配の低周波応答と調和形式を捉える。
• メカニズム：
  • 離散場をスペクトル係数に射影する。
  • 微分構造を保存するよう、事前射影された離散外微分 ($d$) と余微分 ($\delta$) 行列を用いてスペクトル特徴を構築する。
  • 非線形モード混合をモデル化するためにゲート付き MLP を採用する。
  • ハード制約：各層で更新を元の調和係数へ再射影することで、調和モード（ラプラシアンの核）を明示的に保存し、大域的な不変量（ベッティ数など）の厳密な保存を確保する。

B. ファイバーブランチ（局所幾何学）

• ドメイン：補助的なユークリッド環境空間（正規のボクセルグリッド）で動作する。
• 機能：計量支配の高周波局所ダイナミクス（境界層、異方性拡散など）を捉える。
• メカニズム：
  • リフト：ウィトニー形式とカーネル密度推定を用いて、離散形式を環境グリッドにマッピングする。
  • 畳み込み：正規グリッド上で標準的なフーリエニューラル演算子（FNO）を適用し、局所相関を効率的に学習する。
  • プルバック：結果を単体複体へ戻す。
  • 直交射影：出力を厳密にベース空間の直交補空間 ($I - \Pi_{base}$) へ射影し、幾何学的補正が大域的トポロジカル制約に違反しないようにする。

C. 交換子補正

トポロジカル演算子と幾何学的演算子は交換しない（$[A_{Topo}, A_{Geom}] \neq 0$）ため、軽量な補正モジュール $C_\theta$ が導入される。これは、スペクトル微分とリフトされた幾何学場を組み合わせた相互作用特徴を受け取り、分割残差を近似する。ベース空間を汚染しないよう、ファイバー空間に制約される。

3. 主要な貢献

1. 構造認識型フレームワーク：離散外微分幾何（DEC）を代数的帰納バイアスとして組み込んだ単体複体上のニューラル演算子フレームワークであり、物理的に整合的な学習を確保する。
2. スペクトル・幾何学的双対性：トポロジー制約された大域構造と幾何学駆動の局所ダイナミクスを明示的に分離するデュアルブランチ設計により、安定かつ相補的な近似を可能にする。
3. 厳密なトポロジー保存：調和モードへのハード制約の使用により、ネットワーク層全体でコホモロジー不変量（循環、正味フラックスなど）の厳密な保存を確保する。
4. 効率性：オフラインのスペクトル分解とオンライン学習を分離し、環境 FFT を活用することで、メッシュサイズに対して線形スケーリングする解像度非依存の演算子近似を実現する。

4. 実験結果

本手法は、複雑な幾何学とトポロジーを伴う 3 つのタスクで評価された：

1. 外部空力：曲がった自動車メッシュ（DrivAerNet++）上の非圧縮流再構成。
2. 静磁学：球殻障害物を持つ多重連結領域における磁場の求解。
3. トーラス輸送：トーラス（非ゼロ種数）上の移流拡散ダイナミクス。

性能ハイライト：

• 精度：HSD はすべてのタスクで最小の平均二乗誤差（MSE）を達成し、FNO-3D、DeepONet、メッシュグラフネット（MGN）などのベースラインを上回った。例えば、外部空力において、HSD は FNO-3D と比較して MSE を 40% 削減した。
• 物理的整合性：HSD は優れたエンストロピー忠実度とエネルギー忠実度を示し、物理的保存則およびエネルギー分布のより良い保存を示唆した。
• トポロジカル忠実度：静磁学タスクにおいて、HSD は連結成分の数を正しく保存した（レベルセット IoU および $\beta_0$ スコア）が、他のモデルはトポロジカル特徴を平滑化したり、大域フラックス成分を捉えられなかった。
• スペクトルバイアス：分析により、HSD は DeepONet や Geo-FNO で観察される「スペクトルバイアス」（急激なエネルギー減衰）を克服し、高周波スペクトルエネルギーを効果的に捉えることが示された。
• 効率性：オフライン前処理にもかかわらず、HSD の学習は MGN よりも著しく高速（外部空力では 56 倍など）であり、ユークリッド FNO-3D と同等であった。

5. 意義と主張

本論文は、ホッジ直交性が、学習不可能なトポロジカル自由度を学習可能な幾何学的ダイナミクスから分離することにより、スペクトル干渉を根本的に解決すると主張する。これにより、構造保存部分空間に限定された加法的近似が可能となる。

著者らは、多様体上の演算子学習の根底にある内在的ホッジ直交加法的構造に対する実証的証拠を提供すると主張する。微分複体 $(d, \delta, \Delta_k)$ をアーキテクチャ的帰納バイアスとして埋め込むことで、HSD は既存手法の核心的な限界、すなわち効率性や表現力を犠牲にすることなく、複雑な多様体上で高周波幾何学的詳細と大域保存則を同時に捉えられないという課題に対処する。

認められた限界：
本手法は現在、固有値分解のコストを償却するために固定幾何学または等長変形に依存しており、3 次元以下の多様体上のオイラーシミュレーションに限定される。また、環境モリフィケーションは衝撃波のような強い不連続を処理できない可能性があるため、滑らかな構造を仮定している。今後の研究として、時間変化するトポロジーに対しては等スペクトル変形または関数マップの導入が提案されている。