技術要約：界面の崩壊（Learning Interface Breakup）

問題提起

スプレーノズルの設計には、ノズル形状が過渡的な二相流の崩壊にどのように影響するかを予測することが求められる。高精度な適応格子細分化（AMR）を用いたVOF（Volume-of-Fluid）シミュレーションは、これらの現象を正確にモデル化できるが、計算コストが極めて高い。薄く急速に変化する界面を解像するために小さなタイムステップが必要であり、ナビエ・ストークス方程式、VOF移流、および表面張力の間の硬い結合（stiff coupling）により、マルチコアCPUを用いた単一のフォワード・ソリューションであっても数時間を要する。

標準的なニューラル・サロゲートモデルは、この設定において特有の課題に直面する：

1. 動的な離散化： 基盤となるAMRメッシュは時間とともに進化し、幾何形状に応じて変化するため、固定グリッド表現では不十分である。
2. 複雑なダイナミクス： 多相流は不連続性、トポロジーの変化、および高度に非線形な界面ダイナミクスを伴う。
3. 幾何形状と流れの結合： 既存のアプローチは、簡略化された定常状態の設定で幾何形状を条件付けるか、あるいは明示的な幾何学的条件付けなしに潜在表現を学習するかのいずれかである。幾何形状と過渡的な多相進化を同時に捉える結合表現は不足している。

手法

著者らは、797件の二相ノズルシミュレーションを用いて学習された**幾何条件付き潜在サロゲート（geometry-conditioned latent surrogate）**を提案している。核心となる革新は、フルチャネルの流れの状態ではなく、AMRセル密度場（ソルバーが解像度を集中させる場所のプロキシ）をエンコードすることである。これにより、適応的離散化を計算上の副産物から、学習可能な信号へと変換している。

アーキテクチャは以下の2つのステージで構成される：

ステージ1：共有潜在表現 (VAE)

このステージでは、ノズル形状と過渡的な流れの進化を結合する、コンパクトで時間依存しない潜在ベクトル $z$ を学習する。

• エンコーダー： フーリエニューラルオペレータ（FNO）が、単一の密度スナップショット ($\kappa$) から潜在パラメータ $(\mu, \log \sigma^2)$ をマッピングする。このエンコーダーは時間に依存しない（time-blind）。
• デコーダー（流れ）： 時間条件付きのSIREN（Sinusoidal Representation Network）デコーダーが、潜在コード $z$、時間 $t$、および空間座標 $(x, y)$ から、過渡的な密度進化 $\hat{\kappa}(x, y; t)$ を再構成する。これは、マルチスケール空間フーリエ特徴量と正弦波時間特徴量を用いたFiLMコンディショニングを使用する。
• 幾何ヘッド： 1Dの暗黙的ニューラル表現（INR）が、同じ潜在コード $\mu$ からノズル壁境界 ($y_{upper}(x), y_{lower}(x)$) をデコードする。
• 学習： モデルは、再構成誤差、幾何誤差、および事後分布の崩壊を防ぐためのfree-bits KLダイバージェンス・ペナルティを含む損失関数を用いて、密度とノズル壁の教師信号のみを用いてエンドツーエンドで学習される。

ステージ2：フィールド予測器

軽量なU-Netが別途学習され、再構成された密度プロキシ $\hat{\kappa}$ から残りの流れ変数（体積分率 $f$ および速度 $u, v$）へのマッピングを行う。このステージは、密度が、グローバルに定義された速度および体積分率の場を条件付ける疎な空間信号として機能するという仮定に基づいている。

推論戦略

本フレームワークは、2つの推論パスをサポートする：

1. スナップショットベース： 密度スナップショットが与えられると、エンコーダーが $z$ を生成し、その後、全軌跡を再構成するために時間をスイープする。
2. 幾何形状のみ： 流れのスナップショットなしに、ターゲットとなるノズル幾何形状 $g^*$ が与えられた場合、デコードされた幾何形状と $g^*$ の間の距離を最小化するように、潜在空間内での制約付き最適化を通じて潜在 $z^*$ が回収される。

主な貢献

1. AMRセル密度を表現として利用： 本論文は、過渡的な二相流の幾何条件付きサロゲートモデリングのためのコンパクトで学習可能な表現として、AMR細分化構造を導入した。ソルバー自身の解像戦略をエンコードすることで、高次元な状態を直接学習する必要性を回避している。
2. 共有潜在結合： ノズル形状と過渡的な流れの進化を結合する共有潜在表現を提案した。これにより、単一のコンパクトなコードから幾何学的再構成と時間依存の流れのデコードが可能になる。決定的なのは、制約付き最適化を通じて幾何形状のみから利用可能な潜在変数を回収できる点である。
3. 効率的なワンショット推論： 本手法は、高速なワンショット・サロゲート推論（自己回帰的なロールアウトなし）を実現しており、軌跡予測時間をCPUの数時間からミリ秒単位へと短縮しつつ、主要な界面ダイナミクスを保持している。

結果

モデルは、厳格なシミュレーションレベルの分割を用いた、81件のテスト用シミュレーション（約3,155スナップショット）で評価された。

• 再構成精度：
  • 密度： テスト平均二乗誤差（MSE）$2.74 \times 10^{-3}$（PSNR 30.2 dB）を達成。
  • 幾何形状： デコードされたノズル壁は、物理座標において平均絶対誤差（MAE）$1.13 \times 10^{-2}$ を示した。
  • 流れ場： ステージ2のU-Netは、体積分率に対して$1.33 \times 10^{-3}$、主流方向速度（$u$）に対して$2.50 \times 10^{-3}$、横方向速度（$v$）に対して$1.60 \times 10^{-3}$のテストMSEを達成した。
• 高速化： 推論時間はApple M4 GPU上で1つの軌跡あたり約0.045秒であり、参照となるBasilisk CFDソルバー（12個のCPUコアで45〜90分を要する）に対して$6 \times 10^4$倍以上の高速化を実現した。
• 汎化性能 vs 最近傍法： サロゲートは、幾何学的距離に基づく最近傍法（nearest-neighbor）ベースラインに対し、全チャネルの平均MSEにおいて約2倍優れた性能を示した。これは、単純な形状検索ではなく、非自明な幾何形状と流れのマッピングを学習したことを示している。
• 幾何形状のみによる反転： 流れのスナップショットなしに幾何形状のみから潜在変数を回収する場合、本手法は、密度スナップショットにアクセスできるエンコーダー・オラクルと比較して、性能ギャップの55%を解消した。

意義と主張

本論文は、AMR細分化構造が、幾何条件付きの過渡的な二相流サロゲートモデリングのための、コンパクトで学習可能な表現として機能し得ると主張している。ソルバー自身の解像戦略をエンコードすることで、モデルは高次元の状態を直接学習する必要性を回避している。

著者らは、本研究を幾何駆動型の設計ワークフローに向けた基礎的なステップとして位置付けている。彼らは、幾何形状とダイナミクスが本質的に結合している場合、このような共有潜在表現は逆設計（inverse design）における自然な構成要素になると述べている。

限界と範囲：
著者らは、その主張の範囲について以下のように謙虚な姿勢を示している：

• 学習データは、特定の3パラメータNURBSノズルファミリーおよび単一のレイノルズ・ウェーバー領域内の797件のシミュレーションに限定されている。
• ステージ2の予測器は独立して学習されているため、密度の再構成誤差が速度および体積分率の予測に伝播する。
• 表現は特定のソルバー（Basilisk）および細分化戦略に紐付いており、他のソルバーへの転用可能性はまだ確立されていない。
• 実運用においては、独立したCFDの再実行や実験的測定による検証が必要であることが、現在の範囲を超えた事項として述べられている。

今後の展望としては、高次元の設計空間への拡張、液滴分布の観測量のためのヘッドの追加、および学習された設計と物理的実体の間のループを閉じるための、独立した高精度シミュレーションによる最適化設計の検証が挙げられている。