Mass weighting algorithm optimizes Fourier-based physics-informed neural network in adhesive contact mechanics

技術要約：フーリエ変換に基づくPINNを用いた接着接触力学のための質量重み付けアルゴリズム

問題提起
弾性接触力学に適用される物理情報ニューラルネットワーク（PINN）は、「スペクトル剛性不均衡（spectral stiffness imbalance）」として知られる根本的な課題に直面している。弾性半無限空間の問題において、フーリエ空間における弾性カーネルは波数（$q$）に対して線形にスケールする。その結果、短波長（高波数 $q$）の変形モードは、長波長モードよりも著しく高い弾性エネルギーコストを課されることになる。標準的なPINNを勾配降下法で学習させると、この不均衡によって高周波モードが勾配更新を支配してしまい、マクロな変形場の収束が停滞する。この問題は、短距離相互作用が高周波成分を導入する接着接触問題においてさらに悪化する。標準的なエネルギー最小化型PINNは、機械精度（machine-zero）の残差に収束できなかったり、高周波ノイズに支配された非物理的で振動的な応力場を生成したりすることが多い。

手法
著者らは、質量重み付け（Mass Weighting: MW）と呼ばれるスペクトル前処理戦略によって拡張された、フーリエベースのPINNフレームワークを提案している。この手法は、以下の主要なコンポーネントで構成される。

1. エネルギー最小化定式化： PDE（偏微分方程式）の残差と境界条件のペナルティをバランスさせる従来のPINNとは異なり、本アプローチでは、学習タスクをスカラーの全ポテンシャルエネルギー関数（$\Pi$）の最小化として定式化する。全エネルギーは、弾性歪みエネルギー（$U_{el}$）、外力による仕事（$U_{ext}$）、およびモース・ポテンシャルによってモデル化された界面相互作用エネルギー（$U_{int}$）で構成される。
2. フーリエ特徴量マッピング： 入力空間座標はフーリエ特徴量を用いてエンコードされ、これによりネットワークが接触エッジ付近の急峻な変位勾配を解像することを可能にする。
3. スペクトル前処理（質量重み付け）： 逆伝播の前に、損失関数の勾配はフーリエ空間へと変換される。その後、質量重み付け関数 $w(q)$ と組み込みのローパスフィルタ $f(q)$ によって再重み付けされる。
   • 質量重み付け： $w(q) = \left( \frac{E^* q_{max}/2}{\sqrt{k_0^2 + (qE^*/2)^2}} \right)^\alpha$。この関数は低波数成分（マクロなモード）を増幅させ、高波数成分を抑制することで、勾配の流れを効果的に再バランスさせる。
   • ローパスフィルタ： $f(q) = \frac{1}{1 + (q/q_c)^\beta}$。これは、離散化によって解像できないサブグリッド・ノイズを抑制する。
4. 学習プロトコル： 前処理器は、プレーンな勾配を用いた100〜200回のイテレーションによる「ウォームアップ」フェーズの後に起動される。ネットワークはAdamオプティマイザを用いて最適化される。接触応力は、グリッド依存の数値微分を避けるため、スペクトル応力・変位関係の逆フーリエ変換を介して回収される。

主な貢献

• スペクトル剛性の特定： 本論文は、接触力学におけるエネルギーベースのPINNの収束失敗を、単なる一般的な最適化の困難さではなく、弾性演算子に固有のスペクトル剛性不均衡に明示的に帰属させている。
• 質量重み付け前処理器： 変位勾配を再重み付けするために、フーリエ空間で動作する特定のスペクトル前処理器を導入した。これにより、ネットワークは高周波ノイズに圧倒されることなく、マクロな変形を学習することができる。
• 直接エネルギー最小化： 本定式化は、グリーン関数による積分や求積則を一切用いずに、スカラーエネルギー関数の最小化のみに依存しているが、それらを用いる手法と同等の精度を達成している。
• 接着粗面への拡張： 提案手法は、滑らかなヘルツ接触および、モース・ポテンシャルを用いた摩擦力学的相互作用を持つフラクタル粗面の両方に成功裏に適用され、引張から圧縮までの領域をカバーしている。

結果
提案手法は、接触力学の高忠実度ベンチマークである**グリーン関数分子動力学（GFMD）**解を用いて検証された。

• 収束速度： ベンチマークとなるヘルツ接触問題において、質量重み付けされたPINNは400回のAdamイテレーション以内に機械精度（machine-zero）の残差損失に到達した。対照的に、無条件（リファレンス）の学習は、損失が3桁高いレベル（$\sim 5 \times 10^{-4}$）で停滞し、さらなる収束に失敗した。
• 物理的精度：
  • 滑らかな表面： 変位および接触応力のPINN予測は、引張、ゼロ荷重、および圧縮の各レジームにおいて、GFMD解と区別がつかないものであった。
  • 粗い表面： フラクタル粗面（ハースト指数 $H=0.5$）について、本手法は、低圧時における疎な突起レベルの接触パッチから、高圧時における連続的な応力分布まで、マルチスケールの応力構造を正確に捉えた。
• 定量的誤差： 変位および応力の正規化平方根平均二乗誤差（NRMSE）は、すべてのテストケースにおいて$10^{-3}$未満（典型的には$10^{-4}$から$10^{-5}$）であり、GFMDリファレンスとの定量的整合性を確認した。
• 安定性： 最高波数のフーリエモードを監視したところ、無条件の学習では持続的な大振幅の振動が発生したが、質量重み付けを用いたアプローチではこれらのモードが急速にゼロへと減衰し、振動のない安定した応力プロファイルが保証された。

意義と主張
著者らは、スペクトル前処理は接触力学におけるエネルギー最小化型PINNの安定した収束にとって、単に有用であるだけでなく必要不可欠であると主張している。前処理がない場合、勾配の不均衡により、ネットワークは物理的に正しい解を学習することができない。提案された質量重み付けアルゴリズムにより、PINNは以下のことが可能となる：

1. グリーン関数の明示的な積分なしに、一様な実空間グリッド上で接着接触問題を解く。
2. 細かいグリッド（$N_x = 2048$ まで）において、機械精度（machine-zero）の残差と滑らかで物理的に正しい応力場を実現する。
3. 初期設定以外の前処理器パラメータの手動調整なしに、堅牢に動作する。

本論文は、現在は1次元の線接触幾何学およびモース・ポテンシャルに限定されているものの、フーリエベースの定式化およびスペクトル前処理器は、2次元の粗面や他の滑らかな相互作用ポテンシャルへ直接一般化可能であり、従来の境界要素法に代わるスケーラブルな選択肢を提供すると結論付けている。