Patched Flow Matching: Generative Wall-Pressure Reconstruction Beyond Training-Domain Scales from Sparse Sensors

技術要約：壁面圧力再構成のためのパッチ型フローマッチング（Patched Flow Matching）

問題提起
乱流壁境界流における完全な壁面圧力スペクトルを特徴付けることは、その広帯域かつマルチスケールな性質により、根本的な課題となっている。スペクトルは、高波数領域の粘性スケールの近壁ダイナミクスと、外層における低波数のエネルギー的な大スケール運動という、2つの異なるレジームを同時に解像する必要がある。既存の手法はこれらを同時に捉えることができない：

• 直接数値シミュレーション (DNS): 粘性スケールに対しては正確であるが、低波数成分である外層のコンテンツを捉えるには、極めて大きな主流方向ドメイン（$O(10\delta)$に比例）と長い積分時間が必要となり、高レイノルズ数シミュレーションの計算コストが膨大になる。短ドメインのDNSは近壁の精度を維持できるが、ボックス長を超えるすべての波長を切り捨ててしまい、エネルギーの高い低波数成分を失ってしまう。
• 疎な実験的センサ: 圧力トランスデューサのアレイは、広い主流方向の範囲をカバーでき、低波数成分を捉えることができる。しかし、センサ間の間隔は粘性長よりも数桁粗いため、高波数の構造はナイキスト限界を下回ってしまう。さらに、測定値はデバイスの伝達関数によって畳み込まれているため、マルチスケールの復元が困難である。

決定論的な再構成手法（例：超解像CNN）は、乱流固有の確率性と、疎な逆問題の不良設定性を単一のぼやけた推定値へと崩壊させてしまうため、コヒーレントな小スケール構造や不確理性を捉えることができない。

手法：パッチ型フローマッチング (Patched FM)
著者らは、短ドメインDNSからの高波数事前分布と、推論時の疎なセンサ測定値を融合させる生成フレームワークであるパッチ型フローマッチング (Patched FM) を提案する。このフレームワークは、以下の3つの核心的な技術的柱に基づいている：

1. ドメイン独立性のためのパッチ加算型フローマッチング:
   全ドメインの場に対して学習を行うのではなく、モデルは内スケール化された壁面圧力統計量に関するパッチ局所的な事前分布を学習する。著者らは、フローマッチングのベクトル場に関するパッチ加算分解を導出している。全ドメインの密度をパッチ密度の積として因数分解し、線形補間に対するスコア・トゥ・速度（score-to-velocity）の恒等式を適用することで、全ドメインの常微分方程式（ODE）の速度が、独立したパッチ局所的な寄与の和へと分解されることを示している。

   • メカニズム: 共有ニューラルネットワーク $v_\theta$ が固定サイズのパッチを処理する。推論時、全ドメインはこれらのパッチでタイル状に構成され（境界アーティファクトを避けるために原点をランダム化する）、グローバルな速度場はパッチレベルの出力を合算することによって再構成される。これにより、生成的な事前分布がグローバルなドメインサイズからデカップル（分離）され、トレーニング構成よりも任意に大きいドメイン上での再構成が可能になる。

2. 物理的前提としての内スケール化:
   パッチ事前分布は、高波数統計量がレイノルズ数に対して近似的に不変である内スケール座標 ($x^+, z^+$) で学習される。この設計上の選択は、学習された統計量を粘性スケールに固定することを目的としており、モデル全体を再学習することなく、異なるレイノルズ数 ($Re_\tau$) 間での汎化を可能にする。対照的に、外スケール座標では高波数統計が $Re_\tau$ によって大きく変化するため、転移を阻害する。

3. 学習フリーの条件付き生成:
   長いドメイン上で全スペクトルを再構成するために、本フレームワークは学習フリーの事後分布サンプリングを採用している。

   • 疎なセンサ制約: 長いドメイン内に分布する疎なセンサ測定値 ($y_1$) との一致性を強制する尤度項を用いる。
   • 空間的自己回帰: 長いドメインは、セクションごとに逐次的（自己回帰的）に生成される。境界制約 ($y_2$) により、現在のセクションの左境界が前のセクションの右境界と一致するようにし、大スケール構造の位相と振幅の情報を伝播させる。
   • Tweedieガイダンス: 無条件のODEは、Tweedie推定量から導出された勾配ベースの補正によって拡張される。これにより、事前分布を再学習することなく、任意の観測演算子に基づいて条件付けを行うことが可能となる。

主な貢献

1. 大規模ドメインにおける全スペクトル再構成: 本フレームワークは、センサの被覆率がわずか0.25%であっても、トレーニング構成の4倍の大きさのドメイン ($L^L_x = 16\pi\delta$ 対 $L^S_x = 4\pi\delta$) における壁面圧力場を正常に再構成した。これにより、短ドメインDNSではアクセス不可能な低波数スペクトル成分を捉えつつ、高忠実度の小スケール構造を維持している。
2. ドメインサイズに依存しない生成: パッチ加算型速度場の導出により、単一の共有ネットワークを用いて、任意のサイズのドメインにおける無条件生成およびセンサ条件付き再構成が可能となった。その計算コストは、総ドメインの広がりとは独立してスケールする。
3. データ効率の高いレイノルズ数転移: 内スケール化を活用することで、階層的な転移学習（$Re_\tau: 180 \to 500 \to 1000$）をサポートする。ターゲットとなるレイノルズ数ごとに、わずか500のスナップショット（ベースとなる学習データの2.5%）の微調整で、スクラッチからの学習と比較して最大8倍の学習コスト削減を実現する。また、本フレームワークは未知のレイノルズ数に対するゼロショット汎化も実証している。

結果
本手法は、$Re_\tau = 180, 500, 1000$ の圧縮チャネル流DNSを用いて評価された。

• スペクトル忠実度: Patched FMは、主流方向およびスパン方向の両方の波数スペクトルを正確に復元する。条件付き再構成において、短ドメインの学習データには存在しない、長ドメインDNSに見られる高エネルギーな低波数成分を忠実に再現している。
• ベースラインとの比較:
  • 三次補間: マルチスケール構造を復元できず、高波数成分を失った著しく平滑化された場を生成する。
  • 標準的なフローマッチング (フルドメイン): 高解像度の場に対して学習されたこのベースラインは、より大きなドメインへ外挿するとスペクトルのロールオフやタイリングアーティファクトを示す。これは、パッチ加算型分解の必要性を裏付けている。
  • 外スケールモデル: 外スケール座標で学習されたモデルは、高レイノルズ数への効果的な転移に失敗し、損失のスパイクやスペクトルの偏差を示す。これは、内スケール化の物理的な必要性を検証している。
• データ効率: 内スケール座標で事前学習されている場合、ターゲットのレイノルズ数における学習スナップショットがわずか10個であっても、生成品質を維持できる。
• ゼロショット汎化: $Re_\tau = 1000$ で学習されたモデルは、微調整なしで $Re_\tau = 500$ の場を正常に再構成する。一方で、$Re_\tau = 180$ で学習されたモデルは、中間的な波数領域で下方バイアスを示す。これは、適応なしでの低レイノルズ数から高レイノルズ数への転移の限界を浮き彫りにしている。

意義と主張
本論文は、Patched FMが、従来の生成モデリングにおける「ドメインサイズ」と「レイノルズ数」のボトルネックを克服する、堅牢でスケーラブルかつデータ効率の高い壁面圧力再構成ソリューションを提供すると主張している。

• 物理的妥当性: 本研究は、内スケール化が単なる正規化の便宜ではなく、高波数領域の壁面圧力統計量の普遍性にモデルの表現能力を適合させるための、効果的なレイノルズ数転移における物理的な前提条件であることを確立している。
• 確率論的必然性: 著者らは、乱流の確率的な性質と、疎な逆問題に内在する非一意性を捉えるためには、確率的な生成フレームワークが不可欠であると主張している。決定論的なモデルはこれらを抑制してしまう。
• 実用的有用性: 生成的な事前分布をドメインサイズからデカップルし、階層的な転移学習を可能にすることで、高レイノルズ数の大規模な乱流の高度な再構成を、高レイノルズ数のDNSデータが不足または利用不可能な場合でも実現可能にする。