Extended pseudo-spectral physics-informed neural networks for phase-field models

技術要約：相場モデルのための拡張擬似スペクトル物理情報ニューラルネットワーク（ESPINN）

問題提起
相場（フェーズフィールド）モデルは、相分離の連続体記述における中心的な役割を担っており、そこではパターン形成や微細構造の進化が、バルク自由エネルギー密度および界面厚さパラメータによって支配される。材料科学や細胞生物学などの実用的なアプリケーションにおいて、これらの構成量は事前に既知であることは稀であり、限られた動的な観測から推論されなければならない。古典的な逆問題手法や近年の物理情報ニューラルネットワーク（PINN）のアプローチも相場モデルに適用されてきたが、既存の手法にはしばしば限界がある。具体的には、Zhao [31] による先行研究では、擬似スペクトルPINN（SPINN）を用いてバルク化学ポテンシャルを同定したが、界面厚さパラメータと移動度を事前に固定する必要があった。さらに、すべての構成量を未知数として扱う古典的な最適化は、スケーリングの縮退による固有の非識別性に直面することが多い。本研究が取り組む核心的な課題は、平衡プロファイルのみに依存することなく、過渡的なスナップショット・データから、バルク化学ポテンシャル（均質自由エネルギー密度の微分）と未知の勾配係数（具体的には界面厚さパラメータ）を同時に逆同定することである。

手法：拡張SPINN (ESPINN)
著者らは、拡張擬似スペクトル物理情報ニューラルネットワーク（ESPINN）フレームワークを提案する。この手法は、自由エネルギー関数を近似するニューラルネットワークと並行して、物理パラメータを学習可能な変数として扱うことで、SPINNアーキテクチャを拡張したものである。

1. 数学的定式化: 本フレームワークは、$\partial_t \phi = G [\sum \mu_j g_j(\phi, \nabla \phi, \Delta \phi) + f(\phi)]$ の形式を持つ一般的な相場偏微分方程式を対象とする。ここで、$f(\phi)$（バルク化学ポテンシャル）および係数 $\mu_j$（勾配項）は未知である。著者らは、未知の勾配係数が界面厚さパラメータ $\epsilon$ に対応する、Cahn-Hilliard方程式およびAllen-Cahn方程式に焦点を当てている。
2. ニューラルネットワーク・アーキテクチャ:
   • バルク化学ポテンシャル: 関数 $f(\phi)$ は多層パーセプトロン（MLP）によって近似される。
   • スカラーパラメータ: 未知の係数（例：$\epsilon^2$）は、物理的な境界（$\gamma_{lb} \leq \gamma \leq \gamma_{ub}$）を強制するためのシグモイド再パラメータ化を用いて、単一の学習可能なスカラー $\theta$ によってパラメータ化される。
   • 損失関数: 学習目的関数は、観測されたデータペア $(\Phi^{(1)}, \Phi^{(2)})$ と、時間ステップ $\Delta t$ で隔てられた予測値との間の不一致を最小化する。ここでは、半陰的な線形安定化スキームを用いる。損失関数には、ノイズレベルに基づいて調整されるハイパーパラメータ $C_0$ が含まれ、最適化のコンディショニングを行う。
3. 最適化戦略:
   • 無雑音データ: 本フレームワークは、精密な収束のために目的関数の滑らかなランドスケープを活用する、Adamに続くL-BFGSという二段階の最適化を採用している。
   • 雑音データ: 確率的な摂動への過学習を防ぐため、L-BFGSステージを省略し、勾配の大きさを抑制するために減少させた損失マルチプライヤー（$C_0$）を用いたAdamによる最適化のみに依存する。

主な貢献

• 同時推論: 主な貢献は、平衡プロファイルのみではスケーリングの縮退により不十分であるという課題を克服し、過渡的なデータからバルク化学ポテンシャルと未知の勾配係数（界面厚さ）を同時に復元するためにSPINNフレームワークを拡張したことである。
• データ効率性: 本フレームワークは、実質的な構成情報が単一のスナップショット・ペアにさえ高度にエンコードされていることを示しており、最小限の経時データによる正確な再構成が可能であることを実証している。
• ノイズへの堅牢性: 本研究は、フレームワークのノイズ下での性能を系統的に調査しており、スナップショット・ペアの数を増やすことが、学習されたモデルの決定論的な特徴を変えることなく、分散を減少させ精度を向上させる暗黙的な正則化として機能することを示している。
• アーキテクチャの感度分析: 活性化関数とネットワークの深さに関する詳細な分析を提供し、再構成精度にはネットワークの容量（深さや幅）よりも、活性化関数の滑らかさと微分可能性がより重要であることを明らかにしている。

結果
数値実験は、多項式および対数自由エネルギー密度を用いた一次元Cahn-Hilliardシミュレーションを用いて行われた。

• 無雑音領域: ESPINNフレームワークは、バルク化学ポテンシャルと界面厚さパラメータの両方について、正確かつ統計的に安定した再構成を達成した。驚くべきことに、わずか一つのスナップショット・ペア（$N=1$）を使用するだけで、真の関数に極めて近い結果が得られた。スナップショットの数（$N$）を2に増やすと、再構成における可視的な分散が消失した。$N$ を64まで増やしても統計的な安定性は向上したが、$N=64$ を超えると収穫逓減が見られた。
• 雑音領域: 乗法的ノイズが存在する場合、再構成精度は緩やかに低下した。限定的なノイズデータ（$N=1$）は高い変動をもたらしたが、$N$ を増やすことで誤差と分散が系統的に減少した。手法は高いノイズレベル（$\delta_L = 10^{-2}$）でも安定していたが、目に見えるバイアスが生じた。
• アーキテクチャの知見: 滑らかな活性化関数（Sigmoid, Tanh, SiLU, GELU）は、ReLUと比較して一貫して優れた性能を示し、ReLUは最大で4桁高い誤差を生じさせた。ネットワークの深さと幅は最終的な精度にほとんど影響を与えず、これは逆問題が容量制限によるものではなく、活性化関数の微分可能性の特性に依存していることを示唆している。
• 学習率の感度: 手法はAdamオプティマイザの学習率に対して敏感であった。指数関数的に減衰する学習率（初期値 $10^{-2}$ から $10^{-4}$ へ減衰）が、収束速度と安定性の最良のバランスを提供した。

意義と主張
著者らは、ESPINNが相分離の連続体モデルにおける自由エネルギー構造を学習するための、データ効率的かつ物理的に一貫したアプローチを確立していると主張している。本フレームワークは、平衡プロファイルのみではスケーリングの縮退により不十分であるという課題に対し、過渡的なダイナミクスから構成量を同定するという逆問題を成功裏に解決した。限られたデータから正確な復元が可能であり、かつ手法がノイズ条件下でも堅牢であることを示すことで、本研究は、過渡的な動的データが構成情報を推論するための信頼できる基盤となることを示唆している。著者らは、現在の研究が一定の移動度を持つ一次元モデルに限定されているものの、本手法は高次元およびより複雑な自由エネルギー汎関数へと自然に拡張可能であり、バイオ分子の凝集、ポリマーブレンド、合金系における粗視化モデリングのための実用的なツールを提供すると述べている。