fPINN-DeepONet: A Physics-Informed Operator Learning Framework for Multi-term Time-fractional Mixed Diffusion-wave Equations

技術的概要：多項時間分数階混合拡散波動方程式に対する fPINN-DeepONet

問題定義
本論文は、多項時間分数階混合拡散波動方程式（TFMDWEs）の求解という課題に取り組んでいる。これらの方程式は、単項時間分数階偏微分方程式（TFPDEs）を一般化したものであり、異常拡散過程、粘弾性減衰、速度場における準拡散運動のモデル化において極めて重要である。具体的な問題は、以下の形式の方程式を含む：
$$\sum_{i=1}^s K_i {}_0^C D_t^{\alpha_i} u(x, t) = \Delta u(x, t) + f(x, t)$$
ここで、分数階次数 $\alpha_i$ は 0 から 2 の範囲を取り得、方程式は異なる次数を持つ複数の項を含む可能性がある。従来の数値解法（有限差分法、有限要素法、スペクトル法など）は、分数階微分の非局所性および高次元または可変次数のシナリオにおける計算コストの指数関数的増大により、これらの問題の求解に苦慮している。さらに、既存の深層学習アプローチはしばしば L1 近似に依存するか、単項方程式に焦点を当てており、多項および可変次数の分数階偏微分方程式（FPDEs）を効率的に処理する余地が残されている。

手法
著者は、新しい数値近似と Deep Operator Network（DeepONet）アーキテクチャを統合した、物理情報に基づく深層オプレータ学習フレームワークである fPINN-DeepONet を提案する。

1. 分数階微分に対する L2 近似:
   核心的な数値的貢献は、次数 $\beta \in (1, 2)$ のカプト分数階微分に対する L2 近似 の導出である。これは 1 次精度を達成する。著者はこれを、次数 $\alpha \in (0, 1)$ に対する標準的な L1 近似と組み合わせる。これらの近似は、損失関数内の時間分数階微分項を離散化するために用いられ、これによりニューラルネットワークは分数階項に対する明示的なグリッドベースのソルバーを必要とせずに、物理に基づく残差を計算できる。

2. DeepONet アーキテクチャ:
   このフレームワークは、以下の DeepONet 構造を利用する：

   • ブランチネット: 入力関数を符号化する。問題の種類に応じて、この入力は源項 $f(x,t)$、初期条件、または可変次数問題における分数階次数関数 $\alpha(x,t)$ となり得る。入力はセンサー点の集合で離散化される。
   • トランクネット: 時空間領域内のクエリ座標 $(x, t)$ を処理する。
   • 出力: ブランチとトランクの出力のドット積は、入力関数を解 $u(x,t)$ に写像する解オプレータ $G^\dagger$ を近似する。

3. 損失関数の構築:
   訓練目的は、総損失関数 $L = L_{phy} + L_{data}$ を最小化することである：

   • 物理的損失（$L_{phy}$）: 支配方程式の残差、初期条件、および境界条件を組み込む。重要なのは、残差内の分数階微分項が、ネットワークの予測出力に適用された提案された L2/L1 近似を用いて計算される点である。
   • データ損失（$L_{data}$）: 予測解と利用可能な真値データ（存在する場合）との間の平均二乗誤差を測定する。

4. アルゴリズム:
   本論文は、2 つの具体的なアルゴリズムを詳述する：

   • アルゴリズム 1: 固定分数階次数の FPDE を求解する。この場合、ブランチネットの入力は源項または初期条件である。
   • アルゴリズム 2: 可変分数階次数の FPDE を求解する。この場合、ブランチネットの入力は分数階次数関数 $\alpha(x,t)$ であり、これによりモデルは異なる次数構成全体にわたって一般化可能となる。

主要な貢献

• 新規近似スキーム: 次数 $\beta \in (1, 2)$ のカプト微分に対する L2 近似の導出と、物理情報ニューラルネットワークフレームワークへの統合。
• 多項 FPDE に対するオプレータ学習: 統一フレームワーク内で固定および可変の分数階次数の両方を処理する、多項時間分数階混合拡散波動方程式への DeepONet の初適用。
• 問題タイプにおける汎用性: フレームワークは、順問題（解の予測）、逆問題（分数階次数の同定）の求解、および不連続な分数階次数や高次元空間領域の処理が可能であることが実証された。
• 頑健性: モデルはノイズの多いデータ条件下でテストされ、最大 80% のガウスノイズレベルに対する耐性を示した。

実験結果
著者は PyTorch ライブラリを用いて広範な数値実験を実施した：

• 固定次数問題: モデルは、固定次数（例：$\alpha=0.5, \beta=1.5$）の FODEs および FPDEs において高い精度を達成し、TFMDWEs における相対 $L_2$ 誤差は $10^{-6}$ まで低減した。
• 可変次数問題: このフレームワークは、分数階次数 $\alpha$ が時間 $\alpha(t)$ または時空間 $\alpha(x,t)$ の関数である FPDE の解を正常に学習した。逆問題においては、相対誤差が約 $10^{-5}$ となる分数階次数関数を正確に回復した。
• 不連続次数: モデルは不連続な分数階次数（ステップ関数）を効果的に処理し、次数関数のジャンプを $L_2$ 相対誤差 0.0014 で捉えた。
• 高次元: このアプローチは 2 次元空間領域に拡張され、高次元 FPDE に対する実現可能性が示された。
• ノイズ耐性: 強制項に 20% から 80% のガウスノイズが追加されても、テスト誤差は $10^{-2}$ 付近で安定しており、モデルの頑健性を確認した。
• ハイパーパラメータ感度: 実験により、テスト誤差はデータポイント数の増加およびネットワークの幅/深さの最適化に伴って減少することが示された。200x200 のデータポイントと幅 150 のネットワークを用いることで、誤差は $\sim 10^{-5}$ を達成した。

意義と主張
本論文は、fPINN-DeepONet が、複雑な分数階 PDE の求解に対する従来のグリッドベース手法の多用途かつ効率的な代替手段を提供すると主張している。L2 近似とオプレータ学習を統合することで、このフレームワークは分数階微分の非局所性に起因する計算上のボトルネックを克服する。著者は、自らのアプローチが以下の点で優れていることを強調している：

1. 優れた一般化性能: 不連続なケースを含む固定および可変の分数階次数を、新しい次数構成ごとにアーキテクチャ全体を再訓練することなく処理する。
2. データ要件の低減: 物理情報に基づく手法であるため、支配方程式を利用して解空間を制約し、純粋なデータ駆動アプローチと比較してラベル付きデータポイントを少なくする。
3. 堅牢性の維持: 顕著なノイズが存在しても精度を維持し、データが不完全である現実世界のシナリオに適している。

この研究は、科学機械学習における一歩前進として位置づけられ、特に多項および可変次数の FPDE に対する L2 近似と深層オプレータ学習の組み合わせという未開拓の領域に取り組んでいる。