Critical evaluation of PINN for FWD inverse analysis and differentiable FEM as an alternative

技術要約：FWD逆解析におけるPINNの批判的評価と、代替案としての微分可能FEM

問題提起
落下荷重式たわみ測定装置（FWD）は、舗装システムの非破壊的な構造評価のための標準的な装置である。中核となる逆問題は、測定された表面たわみ曲線から各層の弾性係数（$E$）を逆算することである。EVERCALCなどの従来の勾配ベースの手法は、勾配の近似のために有限差分（FD）法に依存している。これらの手法はスケーラビリティに乏しく、$N$個の未知の係数に対して$N+1$回の順解析を反復ごとに必要とし、摂動ステップサイズに敏感な打ち切り誤差を導入する。

自動微分（AD）は、正確な勾配計算のための原理的な代替案を提供するが、FWDの逆計算への適用はこれまでほとんど探索されてこなかった。具体的には、物理法則を損失関数内のソフト制約として組み込む物理情報ニューラルネットワーク（PINN）を、多層舗装システムに適用することの妥当性が不明確である。舗装システムは層の界面において急激な弾性係数の不連続性を特徴としており、これは標準的なPINNにとって、標準的なPINNにとって（低周波成分を優先的に学習してしまう「スペクトルバイアス」による）課題となる。本研究は、PINNベースのアプローチがこの逆問題を確実に解けるかどうかを批判的に評価し、物理ネイティブな代替案として微分可能有限要素法（DiffFEM）を調査する。

手法
本研究では、準静的な荷重下にある3層の軸対称舗装システム（表層、路盤、路床）に基づく合成ベンチマークを用いる。逆問題は、予測された変位場と観測された変位の間の平均二乗誤差を最小化するように定式化される。以下の3つのアプローチを比較する：

1. バニラPINN (Vanilla PINN): 単一の全結合ニューラルネットワークが、領域全体の変位場を予測する。支配方程式（節点平衡）および境界条件は、損失関数内のソフトペナルティ項を通じて強制される。
2. 拡張PINN (XPINN): 不連続性の問題に対処するため、領域を分割する。各舗装層に専用のサブネットワークを割り当てる。界面における変位の連続性はソフト制約（損失項）として強制され、平衡は物理残差損失を通じて強制される。
3. 微分可能FEM (DiffFEM): 標準的な有限要素法（FEM）の順解析ソルバーを、ADフレームワーク（PyTorch）内に組み込む。グローバル剛性行列は、層ごとの行列の線形結合として構築される。線形システムは各反復においてマシン精度で解かれ、支配方程式を「ハード」制約として強制する。弾性係数に対する損失の勾配は、単一のリバースモードADバックワードパスを介して計算される。

すべての手法においてL-BFGS最適化アルゴリズムを使用する。本研究では、ノイズのない条件下および様々なレベルの測定ノイズ（$\sigma_n \in \{0, 1, 2, 3, 4, 5\} \mu m$）の下での性能を体系的に評価し、さらにハイパーパラメータ（損失の重み、ネットワーク構造）への感度および計算コストについても分析する。

主な貢献

• FWDに対するPINNの批判的評価: 本研究は、標準的なPINNがスペクトルバイアスと急激な材料不連続性のために、多層システムにおける層の弾性係数を回収できないことを実証する。
• ハイパーパラメータ感度分析: 改善されたXPINNの定式化であっても、損失の重みのチューニングやネットワーク構造に対して非常に敏感であることを明らかにする。妥当な精度を得るには、広範かつ問題固有のチューニングが必要であり、測定ノイズの下では性能が著しく低下する。
• 優れた代替案としてのDiffFEM: DiffFEMが、物理法則をハード制約として強制する堅牢な代替案であることを確立する。DiffFEMは、ノイズのないシナリオにおいてマシン精度の精度を達成し、ノイズに対しても安定性を維持し、精度、堅牢性、および計算効率においてXPINNを凌駕することを実証する。
• 比較フレームワーク: 本研究は、DiffFEMは物理パラメータのみを最適化するのに対し、PINNは物理パラメータと数万個のネットワークの重みを共同で最適化する必要があり、それが損失のランドスケープを複雑にしているという構造的な比較を提供する。

結果

• ノイズフリー性能:
  • DiffFEM: 約40回の反復（約60秒）で収束し、弾性係数の相対誤差は$10^{-9}$から$10^{-10}$のオーダーであった。
  • XPINN: 約400,000回の反復（約10時間）を必要とし、相対誤差は$-1.1\%$から$-6.9\%$の間で停滞した。物理残差が停滞したことは、支配方程式が厳密に満たされていないことを示している。
  • バニラPINN: 完全に失敗し、ノイズのレベルに関わらず任意の弾性係数値に収束した。
• ノイズ性能 ($\sigma_n = 1 \mu m$ および $5 \mu m$):
  • DiffFEM: 緩やかな劣化を示した。$\sigma_n = 5 \mu m$において、誤差は限定的であった（最大誤差：表層14%、路床0.11%）。
  • XPINN: 壊滅的な失敗を示した。$\sigma_n = 1 \mu m$において、データ損失は低いにもかかわらず、路床の弾性係数がゼロに崩壊するなど、誤った弾性係数に収束した。これは、ネットワークがデータには適合しているが、グローバルな平衡を破る解を見つけたことを示している。$\sigma_n = 5 \mu m$において、路盤の誤差は390%を超えた。
• 計算効率: 同一のハードウェア上で、DiffFEMはXPINNよりも2桁以上高速であった（60秒対10時間）。メモリ使用量は同程度であった。

意義および主張
本論文は、層状弾性システムにおけるFWDの逆計算には、DiffFEMがPINNベースのアプローチよりも信頼性が高く、効率的な選択肢であると結論付けている。

著者らは、DiffFEMの優位性は、支配方程式を損失関数内のソフトペナルティとしてではなく、FEMソルバーを介したハード制約として強制することに起因すると主張している。これにより、DiffFEMは複雑な損失のランドスケープやハイパーパラメータの感度を回避し、物理パラメータの最適化のみに集中することができる。

本研究は、実用的なガイドラインを提示している：順解析ソルバーが確立されており、数値的に安定しており、かつ微分可能である場合（線形弾性層状システムの場合など）、物理ネイティブなAD定式化（DiffFEM）を優先すべきである。PINNは、微分可能な順解析ソルバーが存在しない、あるいは実装が困難な場合（例：複雑な接触アルゴリズム、動的問題における適応的なタイムステップなど、メッシュフリーの定式化が利点を持つ場合）にのみ、実行可能な選択肢となる。著者らは、効率的な微分可能ソルバーが存在する逆問題に対して、PINNを無批判に適用することに対して警告を発している。