技術的概要：ピクセル単位の生成画像補間による宇宙推進分野のフィルム冷却解析における実験的テストの削減

1. 問題提起

フィルム冷却は、航空宇宙推進システムにおける重要な熱管理戦略であり、燃焼室壁やノズルなどの部品を極端な熱負荷から保護する。しかし、これらのシステムの最適化には、設計パラメータ（インジェクタの幾何学形状、冷却剤の特性）と運転条件との間の複雑な相互作用を理解することが必要である。これらの相互作用を実験的に捉えるには、広範な物理的テストが必要となるが、特に高次元のパラメータ空間へスケールアップする際には、時間、コスト、リソースの制約によりしばしば困難を伴う。スカラー近似や応答曲面モデリングなどの従来のデータ削減手法は、現実世界のフィルム冷却挙動に内在する局所的な異常、不連続性、乱流特徴を捉えるのに苦慮している。

2. 手法：PixCOIN

著者は、希薄な実験測定値から画像データを再構築するように設計された機械学習アプローチであるPixCOIN（ピクセルベースの条件付き画像補間）を提案する。従来の補間や曲面モデリングとは異なり、PixCOINは幾何学的な仮定に依存することなく、ピクセル空間で直接動作し、複雑で空間的に詳細な画像を生成する。

コアアーキテクチャ

• モデルタイプ: ReLU 活性化関数を持つ軽量な全結合フィードフォワードニューラルネットワーク（FFNN）。
• 入力特徴: ネットワークは 2 つの主要な入力を受け入れる。
  1. 物理的運転パラメータ ($p$): 注入角度、質量流量、圧力など。
  2. 位置符号化: 正規化されたピクセル座標 $(x, y)$ が入力特徴として明示的に統合される。これにより、モデルは畳み込みアーキテクチャを使用することなく、空間的に依存するパターンを直接学習できる。
• トレーニング戦略: 完全な画像でトレーニングするのではなく、データセットをピクセルレベルのエントリに分解する。各トレーニングサンプルは、正規化された座標、関連する物理パラメータ、およびターゲットピクセル強度から構成される。このアプローチは、画像レベルの構造への過学習を防ぎ、データセット全体での広範な露出を確保する。
• 損失関数: モデルは平均二乗誤差（MSE）損失を用いてトレーニングされる。
• 推論: 推論時には、物理パラメータを所望の運転点に固定する。ネットワークはすべての空間座標 $(x, y)$ を順次評価して強度予測を生成し、これらを組み合わせて予測されるフィルム分布を表す 2 次元画像を構成する。

知識に基づく拡張

局所的なセグメンテーション誤差（例えば、放射状流領域におけるもの）に対処するため、著者は専門家のドメイン知識を統合した拡張を提案する。

• メカニズム: 軽量な CNN 分類器が合成画像内のセグメンテーション欠陥を検出する。
• 適応: 勾配重み付けクラス活性化マッピング（Grad-CAM）を用いて、システムは欠陥領域を特定する。逆伝播中、欠陥とフラグ付けされたピクセルは、参照前景強度を標的とした修正された損失関数を用いてトレーニングされ、他のピクセルは標準的な MSE を使用する。これにより、ベースネットワークアーキテクチャを変更することなく、標的とした修正が可能となる。

3. 実験設定とデータ

この手法は、合成データとドイツ航空宇宙センター（DLR）で実施された実世界の冷流実験の両方を用いて検証された。

• 実データ: 実験では、単一の冷却剤インジェクタを備えた半開放燃焼室が使用された。高速撮像（1024x1024、50 FPS）により流体膜の挙動を捉えた。高濃度過酸化水素（HTP）の代替として、インクを添加した脱イオン水が使用された。
• 前処理: 画像は幾何学的正規化（半円筒形燃焼室の補正）、時間的ノイズ除去（10 連続フレームの平均化）、セグメンテーション（背景減算と適応的閾値処理）を経た。すべての画像はトレーニングのために 120x84 ピクセルにダウンサンプリングされた。
• パラメータ: 5 つの主要パラメータが調査された。製造方法、燃焼室直径、インジェクタノズル直径、注入角度、圧力。完全なデータセットは、それぞれ 10 枚の画像を持つ 480 の固有の運転点から構成され、合計 4,800 のデータポイントであった。

4. 主要な結果

モデルは、二乗平均平方根誤差（RMSE）、構造的類似性指標（SSIM）、ピーク信号対雑音比（PSNR）、コサイン類似度、知覚的ハッシュを含む定量的指標を用いて評価された。

• 削減されたデータでの性能: 本研究は、PixCOIN が実験データを大幅に削減しても高い精度を維持することを示した。
  • 質量流量設定を 5 から 3 に削減すると、RMSE は 0.95% 増加し、SSIM は 1.54% 減少するに留まった。
  • 設定を最小と最大のみとする 2 つに削減すると、RMSE は約 9.0% まで上昇し、SSIM は約 90.9% まで低下したが、性能は許容範囲内（RMSE < 10%）に留まった。
  • 運転点の 30% をランダムに削減した場合、RMSE は 8% 未満、SSIM は 93% 超であった。
• 補間対外挿: モデルは補間シナリオにおいて頑健に動作する。しかし、データ駆動型手法に期待される通り、訓練に存在しないパラメータ値（例えば、訓練に存在しない 0°の注入角度など）への外挿は、補間ケースと比較して明らかに高い誤差と低い画像品質をもたらした。
• 合成データによる検証: 合成データセットにおいて、モデルは基盤となる関数を正常に回帰し、単一ピクセル幅の構造や滑らかなグレースケール勾配などの微細な詳細を捉えた。
• 計算効率: 中規模モデル（約 350 万パラメータ）のトレーニングは、NVIDIA RTX 3500 Ada GPU 上でエポックあたり約 7 分を要した。単一画像の推論には約 6 秒を要した。

5. 意義と貢献

本論文は以下の貢献を主張する。

1. 効率的な実験削減: このアプローチは、高品質なデータ（RMSE < 8%、SSIM > 93%）を維持しながら測定を 30% 削減することを可能にし、画像ベースの診断が中心となる実験キャンペーンに対してスケーラブルな解決策を提供する。
2. ピクセル単位の補間: 位置符号化に基づくピクセル単位の画像補間のための汎用的で軽量な手法を提供し、幾何学的仮定なしに複雑な空間パターンを生成できる。
3. 専門家による洗練: 提案された知識に基づく拡張により、専門家のドメイン知識に基づいて生成画像の局所的な洗練が可能となり、重要な流路領域におけるセグメンテーション誤差などの特定の失敗モードに対処できる。
4. 実用的応用: この手法は、推進開発における設計空間のより俊敏な探索を促進し、高コストなテストキャンペーンへの依存を減らし、冷却剤インジェクタ構成の効率的な最適化を可能にする。

著者は、体系的な実験的不整合やセグメンテーションの品質に関する課題が残っているものの、PixCOIN は高忠実度なデータ表現を維持しつつ、宇宙推進研究における実験的負担を軽減する上で堅牢な可能性を示していると結論付けている。