Validation-Gated Multi-Agent Governance for Online Adaptation of Thermal-Hydraulic Surrogate Models under Operating-Regime Shift

技術要約：オンラインでの熱水力サロゲートモデル適応のための、検証ゲート付きマルチエージェント・ガバナンス

問題提起
リアルタイムの熱水力（TH）予測は、実験運用支援、デジタルツイン・モニタリング、および受動的安全評価において極めて重要である。高忠実度のシステムコードは、秒単位の予測を行うには計算コストが高すぎるため、人工知能（AI）サロゲートモデルが低遅延の代替案として提供される。しかし、重大な限界が存在する。サロゲートは通常、特定の事前学習エンベロープ内で学習、検証、および固定（フリーズ）される。施設内で動作レジームが変化する場合（例：受動的熱除去経路の変化や制御ポリシーの調整による）、これらの「条件ロックされた」モデルは、出力自体は滑らかであっても、物理的に不正確な軌跡を生み出す可能性がある。

既存の継続学習のアプローチは、安定性と可塑性のジレンマに直面している。積極的なオンライン学習は、センサーの故障を増幅させ、最近のウィンドウに過学習し、初期レジームに対する破滅的忘却を誘発するリスクがある。逆に、保守的な決定論的ルール（閾値、クールダウン、ロールバック）は、モデルの変化を制約するものの、「なぜ」エラーが発生しているのかを診断したり、適切な適応モデルファミリーを選択したり、あるいはテールリスクの挙動を隠蔽する短期的な改善を拒否したりする推論能力を欠いている。本論文は、エージェントにリアルタイム・コントローラーへの直接的な制御権を与えないまま、安全性が重要なモデル進化にエージェントベースの推論をどのように統合するかという課題に取り組む。

手法
本研究では、リアルタイム・サービング・パスと適応パスを分離した「ガード付き継続適応フレームワーク」を提案する。システムは、検証された「チャンピオン」モデルのみが予測を提供し、「チャレンジャー」がバックグラウンドで学習および評価される「チャンピオン・チャレンジャー」アーキテクチャを採用している。

1. マルチエージェント・ガバナンス構造：
   フレームワークは、決定論的な安全エンベロープ内で意思決定をサポートするために、役割を分離した5つのエージェントを利用する：

• モニター（Monitor）： 移動誤差、警告の連続、クリッピング挙動、および支配的なエラーチャネルを要約する。
• 診断（Diagnosis）： エラーのシグネチャを、モデルの陳腐化または結合の変化に関する仮説へとマッピングする。
• 適応（Adaptation）： 境界付きのファインチューニング、チャレンジャーのリフレッシュ、または保持アクションを提案する。
• 安全監査（Safety-Auditor）： 提案された更新がハードゲートを違反していないか、またはテールリスクの退行を導入していないかを検証する。
• オーケストレーター（Orchestrator）： 入力を統合し、最終的な推奨事項を作成する。
• 極めて重要な点として、これらのエージェントは推奨と拒否（ベト）を提供するが、決定論的な検証ゲートがモデル置換に対する最終的な権限を保持する。

2. オフライン・スクリーニングと初期チャンピオン：
   7つのサロゲート・ファミリー（LSTM、GRU、Transformer、neural ODE、GNN、DeepONet、およびTemporal Fourier Neural Operator）を、オフラインデータ（通常運転、出力減少、およびステーションブラックアウト）を用いたブロック化3分割交差検証を用いてスクリーニングした。Temporal Fourier Neural Operator (Temporal-FNO) が、最も低い交差検証平均絶対誤差（MAE）を示したため、初期チャンピオンとして選択された。

3. ストリーミング展開と安全ゲート：
   システムは、ヒートパイプ挿入構成（受動的熱除去を変更するもの）と、別の未知のスケジュールを持つ別個の運転過渡状態の2つのホールドアウト・トランジェントに展開された。適応ループには以下が含まれる：

• 決定論的ゲート： 警告/クリティカル閾値、クールダウン期間、物理的境界に対する予測クリッピング、および重みブレンディングを用いた境界付きファインチューニング。
• 昇格基準： チャレンジャーは、超過（exceedance）やテールリスク、またはクリッピング挙動を悪化させることなく、平均誤差を改善する場合にのみ昇格される。
• ロールバック： 非有限の予測または過度なクリッピングによってトリガーされる。

4. 実験モード：
   各コンポーネントの寄与を分離するために、7つの動作モードを比較した：

• Static（静的）： 固定されたオフライン・チャンピオン。
• Rule-H： 決定論的な適応ルールを用いた、エージェントなしのモード。
• Shadow（シャドウ）： エージェントによるレビューなしの、定期的なバックグラウンド・リフレッシュ。
• Single-H/Full： 単一エージェント・プランニング（選択的または頻繁な実行）。
• MA-H/Full： 役割分離されたマルチエージェント・ガバナンス（選択的または段階的な実行）。

主な結果
本研究は、95%ブートストラップ信頼区間を用いて、6つのペア化された統計ユニット（2つのストリーム分割 × 3つのシード）にわたって性能を評価した。

• Staticの性能： 固定されたTemporal-FNOチャンピオンは、チャンネル平均MAE 7.06、警告超過比率 56.8% を示した。これは、レジームの変化における条件ロックの問題を裏付けるものである。
• ルールベース適応： Rule-H モードは、決定論的ゲートのみを使用してMAEを 6.54（7.3%の改善）に低減し、適応的展開のベースラインを確立した。
• Shadow学習： バックグラウンドのリフレッシュのみ（Shadow）は、最小限の改善（MAE 6.96）しか示さず、ガバナンスなしでのチャレンジャー生成は不十分であることを示した。
• マルチエージェント・ガバナンス： MA-Full モード（段階的なマルチエージェント・レビュー）が、MAE 5.72 および警告超過比率 35.8% という最良の性能を達成した。これは、Static モードに対して 19.0% の改善 である。
• 統計的有意性： MA-Full と Static のペア化されたブートストラップ区間は、MAE と超過の両方においてゼロを含まなかったため、統計的に有意な誤差減少を示した。しかし、他の適応モード間の区間は重複しており、決定的なランキング付けはできなかった。
• モデル進化： MA-Full モードにおいて、システムはサービングモデルを初期の Temporal-FNO から Transformer、次いで Graph Neural Network (GNN) チャレンジャーへと正常に遷移させた。これらの遷移は、恣意的な好みではなく、ストリーム条件付きのエビデンス（例：遅延熱慣性および水力学的結合）によって駆動された。
• 破滅的忘却： 元のオフライン事前学習ウィンドウに対するバックテストでは、適応されたモデルは元のドメインにおける性能を維持しており（MAEは2.91から1.96へ減少）、リプレイベースの更新が破滅的忘果を引き起こさなかったことを示している。

意義と主張
本論文は、検証され、ゲート制御された適応が、安全性が重要な文脈における監査可能なサロゲートの進化をサポートできると主張している。主要な貢献は、マルチエージェント・ガバナンスが、決定論的な安全ゲートによって制限されている場合、リアルタイム・コントローラーとして機能することなく、効果的に継続的なサロゲート進化を導けることを示した点にある。

• ガバナンス vs コントロール： 本研究は、エージェントがエラーのシグネチャを診断し、候補となるファミリーを優先順位付けし、リスクの高い昇格をレビューするガバナンス層として機能する一方で、決定論的なゲートが展開の権限を保持することを強調している。
• 適応性： 結果は、単一のオフライン・アーキテクチャがすべての動作レジームに対して十分ではないことを示している。リアルタイムのエビデンスに基づいて Temporal-FNO から Transformer や GNN アーキテクチャへ移行できる能力により、システムは熱慣性や流体再分配の変化に適応できる。
• 限定的な範囲： 著者らは、ペア化された統計ユニットの数（6つ）が少ないこと、および本研究がすべての可能な動作レジームにわたる普遍的な優位性を確立したものではないことを明示的に述べている。知見は、テストされた実験施設および過渡現象に特有のものである。本論文は、あらゆる継続学習の課題を解決することを主張しているのではなく、安全性制約と適応性のバランスをとる、特定のガード付きアプローチを実証している。

結論として、本研究は、役割分離されたエージェントと決定論的ゲートが連携して、動作レジームのシフト時におけるサロゲートの精度を維持できることを検証しており、原子力熱水力システムにおけるより堅牢なデジタルツインへの道筋を提示している。