技術要約: SuperCond-GNN

問題提起

高温超電導（HTS）マグネット、特にREBCO導体に基づくものは、常伝導領域の伝播が遅いことや複雑な電流分担挙動により、保護および診断において大きな課題に直面しています。従来の保護戦略は、多くの場合、電圧に基づく反応的な検出に依存していますが、これは局所的な発熱による損傷を防ぐには遅すぎる可能性があります。予測的な保護およびデジタルツインの枠組みへと移行するためには、ケーブルまたはサブスケールレベルでの電磁挙動を捉えることができる、リアルタイムで高忠実度なモデルが必要です。

ngspiceなどのSPICEベースの集中定数回路モデルといった現在の標準的なツールは正確ですが、スケーラビリティに欠けます。個々のテープから完全なケーブルやマグネットへと回路の複雑さが増すにつれ、コンポーネントの数が増大し、パラメータスタディやリアルタイムシミュレーションが計算量的に困難になります。さらに、既存の機械学習サロゲートは、固定次元の入力空間（例：フィードフォワードニューラルネットワーク）に依存していることが多く、可変的な回路トポロジーやサイズに対して汎化することができません。この制限は、本質的に可変的な次元を持つ超電導回路モデルを扱うための、ユニバーサルなサロゲートの開発を妨げています。

手法

本論文では、HTSテープスタックにおける定常状態のノード電圧分布を予測するために設計された、グラフニューラルネットワーク（GNN）ベースのサロゲートモデルである**SuperCond-GNN (SC-GNN)**を導入しています。

1. 回路表現

著者らは、HTSテープスタックを、各テープがべき乗則に基づく電流-電圧関係（$V \propto I^n$）に従うセグメントに分割された、集中定数の2Dネットワークとしてモデル化しています。標準的なニューラルネットワークの固定入力の制限を克服するために、回路はグラフ構造 $G=(V, E)$ にマッピングされます。

• ノード: 回路の接点を表します。特徴量には、境界条件（接地/入力）、正規化された次数、および接地および電流源からの正規化された距離が含まれます。
• エッジ: 回路のコンポーネント（抵抗器、超電導素子、電流源）を表します。特徴量は、要素のタイプ（one-hot）および物理パラメータ（抵抗 $R$、臨界電流 $I_c$、べき乗指数 $n$、動作比 $I_{in}/I_c$）をエンコードします。
• トポロジー非依存性: この表現により、モデルはアーキテクチャの変更なしに、任意のサイズおよびトポロジーのグラフを処理することが可能になります。

2. モデルアーキテクチャ

SC-GNNは、3つのステージからなるMeshGraphNetアーキテクチャに基づいています。

• エンコーダ (Encoder): 生のノードおよびエッジの特徴量を、MLPを用いて共有潜在空間に投影します。
• プロセッサ (Processor): $L$ 個の逐次的なメッセージパッシング層で構成されます。これは、近傍からの情報を集約することにより、エッジおよびノードの埋め込みを反復的に更新し、残差接続を利用して学習を安定させます。
• デコーダ (Decoder): 最終的な潜在ノード表現を、スカラー値のノード電圧予測へとマッピングします。接地ノードは既知の境界条件であるため、マスク処理されます。

3. 学習と物理情報に基づく正則化

• データ生成: 2,000個の回路（1〜10本のテープ、1〜6セグメント）のデータセットが、定義された設計空間のパラメータ（$R_t, R_c, I_c, n$）に対し、ngspiceのDCシミュレーションを用いて生成されました。
• 損失関数: 疎な電圧値を扱うために、スケール正規化された平均二乗誤差（MSE）を主損失として使用します。
• 物理ベースの損失: 物理的な一貫性を強制するために、キルヒホッフの電流則（KCL）正則化項が追加されます。超電導素子においては、亜臨界領域での電圧-電流マッピングが不良設定（ill-conditioned）になるという特有の課題があります。著者らは、**「スーパーノード結合（supernode merging）」**技術を採用しています。予測された超電導エッジ間の電圧降下が閾値を下回る場合、接続されたノードを単一のスーパーノードに結合し、その要素を理想的な短絡回路として扱います。これにより、安定したKCL残差計算が可能になります。

主な貢献

1. トポロジー非依存のフレームワーク: 可変サイズの回路トポロジーやサイズにわたってサロゲートモデリングを可能にする、HTSテープスタックのためのグラフベースの表現を提供し、従来の固定入力ニューラルネットワークの根本的な制限に対処しました。
2. 物理情報に基づくGNN: 電流保存を強制するために、スーパーノード結合戦略を介したKCL正則化を統合し、物理的な妥当性を高めました。
3. 包括的なベンチマーク: 全トポロジー空間（1×1から10×6）にわたるngspiceに対する広範な評価を行い、高い精度とスケーラビリティを実証しました。
4. 汎用性の評価: 未知のトポロジー（例：15×6, 10×10, 15×10）に対するゼロショット推論およびフューショット・ファインチューニング能力の評価を行い、未知の構成に対するモデルの適応力を示しました。

結果

予測精度

• ベースラインのSC-GNN（物理損失なしで学習）は、テストセット全体で平均RMSE 0.04 µVおよび**平均MAPE 4.30%**を達成しました。
• パフォーマンスは中規模から大規模のトポロジーにおいても堅牢でした。非常に小さな回路（1×1）では、メッセージパッシングのための局所的なコンテキストが限られているため、また非常に大きな回路では、メッセージパッシング層の数が固定されているために受容野が制限されていることが原因と思われる、わずかな性能低下が見られました。
• 誤差範囲は、従来の1 µV/cmの臨界電流基準の1%を十分に下回る電界誤差に対応しています。

計算パフォーマンス

• スケーラビリティ: SC-GNNは、GPU上でグラフサイズに対してほぼ一定のスケーリング（$\propto N^{0.008}$）を示し、ngspiceの線形スケーリング（$\propto N^{1.08}$）と比較して優れています。
• 高速化: GPU上では、SC-GNNは大規模な回路に対してngspiceに対し最大2.5倍のピーク高速化を達成しました。CPU推論はngspiceを一貫して上回ることはありませんでしたが、GPU推論は回路サイズの影響をほとんど受けず、複雑なマグネット構成において大きな利点を提供します。

汎用性とファインチューニング

• ゼロショット: 未知（OOD）のトポロジーへの直接適用では誤差が高くなりましたが（例：MAPE ~30–44%）、物理情報に基づくバリアントは、ゼロショットシナリオにおいて一貫してベースラインを上回りました。
• フューショット・ファインチューニング: モデルは、わずか5〜10個の訓練サンプルで未知のトポロジーに適応することに成功しました。初期層を凍結することで、性能を維持しながら学習パラメータを削減できましたが、最適な戦略はトポロジーによって異なります。

物理正則化の影響

• KCL損失の組み込みは、検証損失にわずかな改善（約4%の減少）をもたらしましたが、テストセットの性能についてはベースラインと同等でした。著者らは、グラフのトポロジー自体が電気的な物理特性に対して強い帰納バイアスを提供していることを示唆しています。
• しかし、物理情報に基づくモデルは、OODトポロジーへのゼロショット汎用性において優れた堅牢性を示しました。これは、物理的な事前知識が、分布内（in-distribution）の精度を劇的に向上させることはなくても、分布外（out-of-distribution）での安定性を向上させることを示唆しています。

意義と主張

本論文は、SuperCond-GNNを、従来の回路ソルバーに代わるスケーラブルでトポロジー非依存なHTSマグネットシミュレーションの手法として位置付けています。その主な意義は、従来のSPICEソルバーが低速または非スケーラブルとなる領域において、リアルタイム推論および設計空間の探索を可能にすることにあります。

著者らは、このフレームワークがHTSマグネットシステムのためのAI駆動型・物理情報に基づくデジタルツインへの重要なステップであると主張しています。ノード電圧分布を正確に予測することで、このサロゲートは電圧ベースのクエンチ検出および電流分担分析をサポートします。本研究は、GNNが可変サイズの超電導回路の基礎となる物理的挙動を効果的に学習できることを示しており、標準的なシミュレーションツールでは現在到達不可能な、リアルタイムのマグネット監視および保護戦略への道を開くものです。著者らは、現在のプルーフ・オブ・コンセプトはテープスタックに限定されているものの、このフレームワークはより複雑なケーブルやマグネット構成へ自然に拡張可能であると述べています。