技術要約：非線形保存則のためのスケーラブルなベイズ推論

1. 問題設定

気象予測から汚染物質の輸送に至るまで、動的システムを支配する非線形保存則は、疎でノイズの多い測定値や未知のソース項（源泉項）によって、しばかに大きな不確実性にさらされる。このような設定において、物理量を推論することは、不良設定問題となる。古典的な数値解法は不確実性を自然に定量化することに苦慮し、現代的なディープラーニング手法（例：物理情報ニューラルネットワーク、PINNs）は通常、点推定器として機能する。アンサンブルやニューラルネットワークのベイズ変種を用いて不確実性を定量化しようとすると、計算コストが極めて高くなるか、キャリブレーション（較正）が悪化する場合が多い。

さらに、近年の確率的数値解法は、ガウス過程（GP）事前分布の下でのベイズ推論としてPDE（偏微分方程式）の求解を定式化しているが、主に2つの制限に直面している：

1. スケーラビリティ： 素朴なGP推論は、離散化解像度に対して立方的なスケーリング（$O(N^3)$）を必要とする。
2. 保存性： 既存の確率的ソルバーの多くはコロケーション（点による離散化）に依存しており、これは有限体積法（FVM）に固有の積分保存特性（質量やエネルギーの保存）を強制できず、物理的に不自然な解を招く可能性がある。

本論文は、非線形保存則に関する順問題および逆問題の両方に対して、スケーラブルで、数値的に保存的であり、かつ不確実性を考慮した手法を開発するという課題に取り組んでいる。

2. 手法

提案されたフレームワークである GP-FVM は、構造化されたガウス過程事前分布の下で、有限体積法とベイズ推論を統合するものである。

2.1 確率的有限体積定式化

核心となる洞察は、FVMがベイズ推論として表現できるという点にある。

• ガウス過程事前分布： 解 $u$、フラックス $F(u)$、およびソース $s$ は、それぞれ独立したGP事前分布に従うものとする：$u \sim \mathcal{GP}(\mu, k)$。
• 線形汎関数： FVMの離散化は、制御体積 $\Omega_i$ にわたる保存則の積分を含む。積分は線形汎関数である。しかし、非線形PDEの場合、フラックス項 $\int_{\partial \Omega_i} F(u) \cdot n \, dS$ は非線形となる。
• 非線形性の処理： 著者らはフラックス項に対して2段階のアプローチを提案している：
  1. フラックス場 $F(u)$ を、最初は $u$ とは独立した独自のGP事前分布でモデル化する。
  2. 決定論的な関係 $F = F(u)$ を非線形条件付けを通じて強制する。これは、「仮想的な尤度」の下で結合状態の最大事後確率（MAP）推定値を求め、その後にラプラス近似を用いてガウス事後分布を回収することによって達成される。
• 統一された状態： 本手法は、解、フラックス、およびソースに対する結合ガウス事前分布を構築する。観測（センサーデータ、境界条件、およびFVM制約）で条件付けることにより、これらの情報源を統合した事後分布が得られる。

2.2 スケーラビリティ技術

標準的なGP推論の $O(N^3)$ のボトルネックを克服するために、本論文では3つの戦略を採用している。

1. 構造化された事前分布：

   • 空間的： 分離可能なテンソル積のMatérnカーネルが使用される。これにより、FVMの制約に必要な積分の厳密な評価と微分が可能になる。Matérnカーネルは、疎な近似において重要となる「スクリーニング効果（遮蔽効果）」が保持されるため、二乗指数カーネルよりも選択されている。
   • 時間的： $q$ 次の積分ウィーナー過程（IWP）が使用される。これは、時間の進化を自然に符号化し、時間微分が状態表現の中に組み込まれていることを保証する。

2. 疎なコレスキー近似（Vecchia近似）：

   • 空間精度行列 $Q_s$ は、KLダイバージェンスを最小化する疎なコレスキー因子分解を用いて、疎な行列 $\tilde{Q}_s$ によって近似される。
   • ノードの順序付け： 汎関数の順序付けは重要な貢献である。著者らは、「積分 $\to$ 評価 $\to$ 微分」という、粗いものから細かいものへの順序付けを提案している：積分 $\to$ 評価 $\to$ 微分。この順序付けは、粗いスケールの測定（積分）が遠方の微細な相関を効果的に遮蔽するというスクリーニング効果を最大化し、精度の損失を最小限に抑えつつ、疎な近似を可能にする。

3. 時間伝播のための周辺モーメント一致法：

   • すべての時間ステップにわたる結合分布を維持する（これが密なフィルインを引き起こす）代わりに、フィルタリング・アプローチを使用する。
   • 各タイムステップにおいて、連続する状態の結合分布はFVM制約に基づいて条件付けられる。次の状態の周辺平均と分散は、選択的な反転を通じて抽出される。
   • 新しい近似フィルタリング分布は、これらの周辺モーメントを、疎な事前精度構造を持つ分布に一致させることによって構築される。これにより、時間ステップ数に対して線形なスケーリングを確保しつつ、空間的な疎なパターンを保持する。

3. 主な貢献

1. 非線形PDEのための確率的FVM： 非線形フラックス演算子に拡張可能な、GP事前分布の下でのベイズ推論としての有限体積法の最初の定式化。
2. 積分観測のためのスケーラブルな推論： 点評価ではなく積分汎関数（セル平均）を扱うためのVecchia近似の拡張、および、疎性を最適化するための新しい汎関数順序付け戦略。
3. 効率的な時間伝播： 時間に関する立方的なスケーリングを回避しつつ、空間的な疎な構造を保持する周辺モーメント一致スキームにより、時間依存問題の解決を可能にする。
4. 統一された順問題および逆問題フレームワーク： 観測される変数と推論される変数を入れ替えるだけで、順シミュレーション（$s, F$ が与えられた時の $u$ の推論）と逆問題（$u$ が与えられた時の $s$ または $F$ の推論）の両方を扱う単一のフレームワーク。

4. 実験結果

本手法は、4つのベンチマークで評価された：

• ソース特定（移流拡散）：

  • 性能： GP-FVMは、数分を要したPINNのベースラインに対し、数秒で非パラメトリックなソース場を不確実性を定量化しながら回収した（150倍の高速化）。
  • 精度： GP-FVMは、PINNのRMSE 0.76に対し、ソースRMSE 0.44を達成した。PINNの解にはアーティファクトが見られたが、GP-FVMの事後平均はソースの形状を正しく再構成した。
  • 不確実性： 本手法は意味のある不確実性定量化を提供し、不確実性は測定値の近くで縮小し、流れによる拡散効果を正しく反映していた。

• 順方向の精度（2D粘性Burgers方程式）：

  • GP-FVM（最小構成）は、不確実性定量化を提供しつつ、古典的なCrank-Nicolson FVMの2〜3倍以内の精度を達成した。
  • 対照的に、コロケーションベースの疎なGPアプローチ（FVM制約なし）は、1桁以上劣った精度となり、保守的な離散化の重要性が浮き彫りになった。

• 収束性：

  • 収束次数は、GPカーネル（Matérn-$\nu$）の滑らかさによって決定される。$\nu$ が高いほど、古典的なFVMの高次多項式再構成と同様に、収束が速くなる。
  • 疎近似はMatérn-3/2カーネルにおける収束率を保持したが、より滑らかなカーネルでは、微細な解像度においてスクリーニング効果が弱まり、誤差がプラトーに達する様子が見られた。

• スケーラビリティ（浅水波方程式）：

  • 本手法は、$31 \times 31$ の格子上で、3つの結合された保存則の系である非線形浅水波方程式を用いた、津波の伝播シミュレーションに成功した。
  • タイムステップあたりの結合状態の次元数は約28,500であった。モーメント一致スキームは1タイムステップあたり約80秒を要し、複雑な非線形システムへのスケーラビリティを示した（ただし、古典的なソルバーよりは遅い）。

• 複雑性：

  • 2D格子（入れ子状のディセクション順序を使用）におけるソース特定問題の経験的なスケーリングは、理論的な $O(N_s^{3/2})$ バウンドに従った（ここで $N_s$ は空間自由度数）。

5. 意義と主張

本論文は、科学工学における支配的なクラスである非線形保存則に対する、スケーラブルなベイズ推論のための計算量的に実用的な手法を提供すると主張している。

• ギャップの架橋： 古典的な数値解法（FVM）の精度と保存特性と、ベイズ推論の不確実性定量化能力との間のギャップを埋めるものである。
• 効率性： 積分観測のためのVecchia近似の拡張と、モーメント一致タイムステッピング・スキームの導入により、GPの致命的な立方的なスケーリングを回避し、大規模な問題に対する不確実性を考慮したシミュレーションを可能にした。
• 逆問題： 非パラメトリックな逆問題（ソース特定など）が、より遅く、より精度の低いニューラルベースと比較して、較正された不確実性を伴って迅速に（数秒で）解決できることを示した。
• 限界： 著者らは以下の限界を謙虚に認めている：
  • モーメント一致アプローチは、時間ステップにおいてフィルイン（埋め込み）を引き起こすため、現在は主に2D問題での実用的なスケーラビリティに制限されている。
  • ラプラス近似はMAPの周囲でのガウス性を仮定しており、フラックスの微分が非有界となる衝撃波主体の問題では失敗する可能性がある。
  • キャリブレーションは事前分布の選択（カーネルの長さスケールや滑らかさなど）に依存する。合成ベンチマークでは妥当なキャリブレーションを示しているが、独立した検証なしに事後不確実性を自動的に信頼できるものとして扱うことには注意が必要である。

最終的に、本研究は、確率的数値解法を、数値的および推論的な不確実性を「単一の基盤」の上に置くための手段として位置づけ、疎なデータとメカニズム的知識のコヒーレントな融合を可能にしている。