Operator Learning on the Data-Driven Multiscale Space for Nonlinear Flow in Random Heterogeneous Porous Media

技術要約：ランダムな不均質多孔質媒体における非線形流動のための、データ駆動型マルチスケール空間上でのオペレーター学習

問題定式化
本論文は、ランダムな不均質多孔質媒体における非線形単相流のシミュレーションという課題に取り組んでいる。支配方程式は、質量保存則と、圧力依存の指数関数的浸透率およびフォルヒマイヤー（Forchheimer）則を含む非線形フラックス則の結合で構成される。これらの問題は、チャネル、障壁、および複雑なマルチスケール構造を含む高コントラストな浸透率場によって特徴付けられる。従来の細格子数値解法は、特にランダム媒体の複数の実現値に対して繰り返し実行する場合、計算コストが非常に高い。固有直交分解（POD）やガラーキン投影のようなモデル次数低減（MOR）手法は加速を実現するが、不均質媒体の局所的な特徴を捉えることに苦慮することが多い。グローバルな縮小基底は局所的な流れのパターンを効率的に捉えられないことがあり、また非線形問題に対する投影ベースの手法は、依然として高価なオンライン解法や非線形項の近似（DEIMなど）を必要とする。

手法
著者らは、データ駆動型のマルチスケール近似とニューラルオペレーター学習を統合したハイブリッドフレームワークを提案している。この手法は、主に以下の3つのコンポーネントで構成される。

1. 局所データ駆動型マルチスケール空間の構築:
   グローバルな縮小基底を使用する代わりに、本手法は細格子の解スナップショットから局所的なマルチスケール空間（$V_{ms}$）を構築する。

   • 局所圧縮: ドメインを粗い近傍領域に分割する。各近傍内では、代表的な細スケールの解スナプショットに対して局所的な固有直交分解（POD）を適用する。
   • 代表選択: オフラインコストを削減するため、対数浸透率場のk-meansクラスタリングを通じて代表サンプルを選択し、冗長なスナップショットを排除しながら、主要な局所フローパターンを捕捉する基底を確保する。
   • グローバル基底: 局所モードを単位分割関数（partition-of-unity functions）を用いてグローバルドメインに拡張し、疎で適合的なマルチスケール基底を作成する。この空間は、単一のグローバル基底よりも、局所的な不均質性に効果的に適応する。

2. 縮小空間上でのニューラルオペレーター学習:
   ニューラルオペレーターは、細格子の解全体を予測するのではなく、入力浸透率場からマルチスケール基底の係数を学習するように訓練される。

   • アーキテクチャ: 本モデルは、固定された「トランク（幹）」（事前計算されたマルチスケール基底関数）と、訓練可能な「ブランチ（枝）」ネットワーク（多層パーセプトロン）を備えたDeepONetに似た構造に従う。ブランチネットワークは、入力となる対数浸透率場を縮小係数ベクトルへと写像する。
   • 離散化に頑健な訓練: 学習プロセスを特定の細格子解像度から切り離し、訓練コストを削減するために、細格子のデータを粗い「学習格子」へ写像する線形補間演算子を導入する。ニューラルネットワークはこの縮小された表現上で訓練されるため、同じモデルを異なる細格子解像度に対しても再訓練なしに適用できる。

3. ハイブリッド学習・ソルバー戦略:
   縮小された表現および離散化に頑健な訓練に起因する、エネルギーノルムの不正確さや残差充足の問題に対処するため、局所的な補正ステップが導入される。

   • ニューラルオペレーターは、高速な初期グローバル予測を提供する。
   • 局所的な補正反復が数回行われる。各反復において、支配方程式の残差が計算され、粗い近傍領域上で局所的な細格子問題が解かれ、解を補正する。このプロセスは完全に並列化可能であり、欠落している細スケール情報を回復する。

主な貢献

• 局所 vs グローバル表現: 本論文は、局所的なデータ駆動型マルチスケール空間が、不均質媒体においてグローバルなPOD空間よりも効果的であることを示している。局所基底は近傍内の特定のフローパターンに適応するが、グローバル基底は限られたモード数で多様な局所構成を表現することに苦慮する。
• オンライン解法の排除: オンラインで縮小された非線形システムを解く必要がある従来の次数低減モデル（ROM）とは異なり、提案されたニューラルオペレーターは、入力パラメータから解の係数を直接予測するため、オンラインでの非線形粗格子解法を必要としない。
• 離散化への頑健性: 訓練手順により、単一の訓練済みモデルが異なる細格子解像度で動作可能となり、これは格子解像度が変化する実用的なアプリケーションにおいて大きな利点となる。
• ハイブリッド精度: ニューラル予測と局所マルチスケール補正の組み合わせは、エネルギーノルムの精度を大幅に向上させると同時に、ニューラルオペレーターの計算速度を維持する。

数値結果
本フレームワークは、2種類の不均質媒体（カルーネン・レオヴェンク展開（KLE）に基づく場、およびチャネル化された高コントラスト場）を用い、ダルシー（Darcy）、フォルヒマイヤー（Forchheimer）、およびそれらを組み合わせた非線形流問題に対してテストされた。

• 精度: 局所マルチスケール・トランク上で訓練されたニューラルオペレーターは、ガラーキン粗格子解法と比較して競争力のある$L_2$誤差を達成した。高度に不均質なチャネル化ケース（テスト2）において、局所マルチスケール・トランクは、$L_2$誤差の観点でグローバルPODトランクを上回った。
• 効率性: ニューラルオペレーターの予測は、細格子ソルバーおよび縮小ガラーキン解法の両方よりも数桁高速であることが確認された。$960 \times 960$の格子において、ニュールオペレーターはダルシーの細格子解法よりも約3桁速く、非線形細格子解法よりも約4桁速かった。
• 補正の有効性: 局所マルチスケール補正の反復は、エネルギーノルム誤差を迅速に減少させた。通常、高い精度を得るために必要な反復回数はわずか数回（例：3〜5回）であり、これはニューラル予測が支配的なグローバル構造を効果的に捉えていることを裏付けている。

意義と主張
著者らは、このフレームワークが、不均質多孔質媒体における非線形流のための、スケーラブルで正確かつ効率的なサロゲート（代理モデル）を提供すると主張している。局所的なマルチスケール近似の特性とニューラルオペレーターの非線形表現能力を活用することで、本手法はグローバルな次数低減モデルの限界を克服している。このアプローチは、繰り返しの細格子シミュレーションやオンラインの次数低減解法の計算負荷を負うことなく、高コントラスト媒体における細スケールの特徴を解像するという困難な課題を明確にターゲットとしている。離散化に頑健な訓練戦略の導入は、格子解像度が変化する問題に対する本手法の実用的な適用性をさらに高めている。