技術的概要：PINNsur

問題定義

$\mathbb{R}^3$ に埋め込まれた曲がった 2 次元表面上の偏微分方程式（PDE）は、幾何学処理、物理シミュレーション、科学計算において基礎的なものです。標準的なアプローチである有限要素法（FEM）は、表面を幾何学的要素（通常は三角形）に離散化します。FEM は理論的な収束保証を提供しますが、メッシュの品質に敏感であり、慎重な細分化を必要とし、複雑なトポロジーや品質の低い三角形分割には対処が困難です。

物理情報ニューラルネットワーク（PINN）は、微分可能なニューラルネットワークを通じて解を近似するメッシュフリーな代替手段として登場しました。しかし、既存の PINN フレームワークは一般的に平坦なユークリッド領域（$\mathbb{R}^d$）で動作し、曲がった表面に対する堅牢な手法を欠いています。表面への PINN の拡張を試みる最近の試みは、しばしばパラメトリックな写像（例えば、球面を表面に写像する）に依存しており、これは特定のトポロジー（例えば、種数 0）への適用性を制限し、離散化誤差を導入します。さらに、PINN は経験的な成功を示していますが、関数近似と表面の幾何学的近似の両方が同時に収束しなければならない場合、真の解への収束に関する体系的な証拠や理論的理解は欠如しています。

手法：PINNsur

著者は、パラメトリックな領域や明示的なメッシュ離散化を必要とせず、任意の曲がった多様体上の PDE を解くためのフレームワークPINNsurを提案します。中核的な革新は、表面微分作用素を構築するために法線のみニューラルフィールドを使用することです。

1. 表面作用素の構築

表面 $\Omega$ をパラメータ化する代わりに、PINNsur は表面法線ベクトル $\mathbf{n}$ を用いて、ユークリッド作用素を接平面に射影することで表面微分作用素を定義します。

• 表面勾配: $\nabla_\Omega u = \nabla_{\mathbb{R}^3} u - (\nabla_{\mathbb{R}^3} u \cdot \mathbf{n})\mathbf{n}$
• 表面発散: $\nabla_\Omega \cdot \mathbf{F} = \nabla_{\mathbb{R}^3} \cdot \mathbf{F} - \mathbf{n}^T J(\mathbf{F}) \mathbf{n}$
• ラプラス・ベルトラミ作用素: $\Delta_\Omega u = \nabla_{\mathbb{R}^3} \cdot (\nabla_\Omega u) - \mathbf{n}^T J(\nabla_\Omega u) \mathbf{n}$

この定式化により、法線場 $\mathbf{n}$ が既知であれば、標準的な座標ネットワーク $u_\theta: \mathbb{R}^3 \to \mathbb{R}$ 上の自動微分を通じてラプラス・ベルトラミ作用素を計算することが可能になります。

2. ネットワークアーキテクチャ

このフレームワークは、2 つの異なるニューラルネットワークを使用します。

• 法線ネットワーク（$\hat{n}_\theta$）: 任意の点 $\Omega$ における表面法線場 $\mathbf{n}$ を近似するように訓練された Siren ネットワーク（サイン活性化を備えた MLP）です。メッシュとして与えられた表面の場合、このネットワークは部分一定のメッシュ法線を滑らかにすることを学習します。ノイマン境界条件の場合、別のネットワークが境界法線 $\mathbf{\nu}$ を学習します。
• PDE ネットワーク（$u_\theta$）: 対象の PDE（ポアソン方程式またはヘルムホルツ方程式など）を解く座標ネットワークです。上記の射影式を通じてラプラス・ベルトラミ作用素を計算するために、事前に訓練された法線ネットワークを利用します。

3. 訓練と損失関数

PDE は、以下の損失関数の最小化によって解かれます。

• PDE 残差: 方程式残差の二乗 $L_2$ ノルム（例：$\|\Delta_\Omega u_\theta - f\|_2^2$）。
• ソフト境界制約: ディリクレ条件（$\|u_\theta - g\|_2^2$）およびノイマン条件（$\|\nabla_\Omega u_\theta \cdot \mathbf{\nu} - h\|_2^2$）に対するペナルティ項。

この手法は、法線場が連続であれば、境界を持たない閉じた表面や複雑な境界を持つ表面を含む、任意の多様体トポロジーをサポートします。

主な貢献

1. PINNsur フレームワーク: 法線のみニューラルフィールドを用いた表面 PDE の解決のための、シンプルでパラメータ化不要な手法です。パラメトリックな写像を不要とすることで、任意のトポロジーをサポートします。
2. 経験的収束基準: 著者は PINN の収束に対する体系的なテストを導入します。要素数が増加するにつれて誤差が減少する FEM と同様に、この基準は PINN の誤数が調整可能な重みの数（#W）の増加に伴って減少すべきであると仮定します。収束は、誤差対 #W の対数 - 対数プロットにおける負の傾きによって経験的に定義されます。
3. 体系的な収束研究: この論文は、さまざまな PDE（ポアソン、ヘルムホルツ、熱方程式）、境界条件（ディリクレ、ノイマン、境界なし）、および幾何学において、PINNsur が真の解に収束することを示す広範な経験的証拠を提供します。

結果

著者は、FEM および他の PINN ベースラインに対して PINNsur を検証しました。

• 収束挙動: 実験により、ネットワークの幅（したがって #W）が増加するにつれて、相対 $L_2$ 誤差が体系的に減少することが示されました。収束率（問題に応じて -0.3 から -1.4 の傾き）は、FEM と同等かそれ以上であり、tanh または ReLU 活性化を使用する標準的な PINN よりも著しく優れています。
• ベースラインとの比較:
  • FEM 対: PINNsur は、比較可能な自由度に対して FEM と同様の収束率を達成しますが、メッシュの品質に対してはより敏感ではありません。
  • パラメトリック PINN 対: Williamson と Mitra [2025] の研究と比較して、PINNsur はより低い誤差を達成し、任意のトポロジーに適用可能であるのに対し、パラメトリックなアプローチは球面と同相の表面に限定されます。
  • 標準 PINN 対: 標準的な PINN（例：Kharazmi ら、Yu ら）は、同じ細分化戦略の下では収束に失敗します。これは、Siren アーキテクチャの優れた高周波近似能力に起因すると考えられます。
• 応用: この手法は以下を成功裡に解決します。
  • 平均曲率流: 表面の進化をシミュレーションします。
  • 熱測地線: 熱方程式を通じて測地距離を計算します。
  • 極小曲面: 円柱からカテナイドを復元します。
  • 調和補間: ディリクレ境界条件を持つ表面の穴を埋めます。

意義と限界

この論文は、PINNsur が、収束特性が実証されたメッシュフリーでトポロジーに依存しないソルバーを提供することにより、幾何学計算における重要なギャップを埋めると主張しています。幾何学的近似（法線）が適切に処理され、ネットワーク容量が十分に細分化されれば、PINN は表面 PDE の信頼できるソルバーとなり得ることが確立されました。

限界:

• 表面に不連続な法線場がある場合（例：ノイマン境界を持つ鋭い角）、この手法は失敗します。
• 解 $u$ が極めて高周波を含む場合、または関数の範囲が広すぎる場合、収束は保証されません。
• メッシュフリーである一方で、訓練の計算コストは FEM よりも高くなる可能性があり、この手法は経験的証拠に依存しており、理論的な収束境界を提供するものではありません。

著者は、現在の作業は経験的であるものの、将来の方向性にはニューラルネットワークの表現力とスケーリング則に基づいた理論的な収束境界の導出が含まれると結論付けています。