CoFINN: Conservation Flux Informed Neural Networks for Physics Problems Governed by Conservation Laws

技術要約: CoFINN (Conservation Flux Informed Neural Networks)

問題提起
流体流動予測における従来の機械学習手法、特に畳み込みニューラルネットワーク（CNN）は、画素単位の類似性指標を最適化するデータ駆動型の近似器として機能する。これらのモデルは、高忠実度計算流体力学（CFD）に対して大幅な計算速度の向上をもたらす一方で、支配的な物理法則に対する固有の認識を欠いている。圧縮性流体を含む空気力学的応用において、この制限は極めて重要である。純粋なデータ駆動型モデルは、質量、運動量、およびエネルギーの厳密な保存を強制できないことが多く、物理的に矛盾した予測を導く。これは、衝撃波や境界層のような強い物理的相互作用が存在する領域において特に問題となり、わずかな空間的不正確さが揚力や抗力といった派生的な工学的量に大きな誤差をもたらす原因となる。さらに、標準的なCNNは、ナビエ・ストークス方程式および状態方程式によって規定される変数間（圧力、密度、速度、エネルギー）の物理的な結合を本質的に保持していない。

手法: CoFINN フレームワーク
著者らは、有限体積法の保存物理を学習プロセスに直接組み込む物理情報に基づくディープラーニング・フレームワークである CoFINN (Conservation Flux Informed Neural Networks) を提案している。自動微分を用いてコロケーションポイントでの微分方程式の残差を強制する古典的な物理情報ニューラルネットワーク（PINN）とは異なり、CoFINNは現代のCFD手法と整合した有限体積の観点を採用している。

主な手法構成要素は以下の通りである：

• イメージ・アズ・メッシュ解釈: CNNの出力フィールドを、各画素が有限体積セルを表す構造化計算格子として解釈する。
• フラックスに基づく保存: 隣接する画素間の対流フラックスを計算するために、高精度CFDで使用される堅牢な近似リーマンソルバーである Harten-Lax-van Leer Contact (HLLC) ソルバーを利用し、フラックスベースの保存則を強制する。
• 損失関数の定式化: 学習目的関数は、標準的なデータ駆動型損失（予測された原始変数と真値との平均絶対誤差）と、物理情報に基づく損失を組み合わせたものである。物理損失は、予測されたフラックスの総和と、粘性項や内部ソースを考慮した「真値フラックス残差（$F_{GT}$）」との間の残差を最小化する。
  • $L_{total} = (1 - \lambda) \times L_{data} + \lambda \times L_{flux}$
  • ここで、$L_{flux}$ は、予測されたフラックスの和を、あらかじめ計算された真値フラックス残差と比較することで、運動量保存の誤差を測定する。
• アーキテクチャ非依存性: 本手法はアーキテクチャに依存しない設計となっており、4つの異なるネットワークファミリー（CNNFoil（エンコーダ・デコーダCNN）、Fourier Neural Operator (FNO)、Vision Transformer (ViT)、および条件付きデノイジング拡散モデル）への適用によって実証されている。

主要な貢献

1. 有限体積の統合: 本論文は、CNNの出力を有限体積セルとして扱う新しいアプローチを導入し、データ駆動型の画像処理と厳密な数値CFD手法の間の溝を埋めるものである。
2. 保存則を考慮した学習: 損失関数内でHLLCフラックススキームを利用することで、モデルは単に幾何学的な相関を学習するだけでなく、離散的な保存挙動を満たす物理的に許容可能な解へと明示的に誘導される。
3. 力予測の向上: 保存フラックスを組み込むことで、流動場から派生する積分量である空気力学的力（揚力および抗力）の予測が大幅に改善されることを示している。これは、画素単位の変数誤差がデータ駆動型のベースラインと同程度であっても達成される。

結果
フレームワークの評価は、迎角 $\alpha$ が $-10^\circ$ から $20^\circ$ の範囲にある、マッハ数 $M = 0.7$ およびレイノルズ数 $Re = 6 \times 10^6$ の翼型周囲の遷音速流に対して行われた。

• 抗力予測精度: CoFINNは抗力予測誤差を大幅に減少させた。CNNFoilアーキテクチャにおいて、極端な迎角では抗力誤差（$\epsilon_{CD}$）が最大で 34% 減少し、テストセット全体で平均して約 15% 減少した。
• 限定データ領域: 保存則に基づく損失は効果的な物理的正則化因子として機能し、特に限定的なデータ領域（例：単一の迎角での学習）において顕著な改善を示し、抗力誤差の減少は最大85%に達した。
• モデル性能: CNNFoilアーキテクチャがすべての学習範囲において最も一貫した改善を示したが、FNOおよびViTもCoFINNによる抗力誤差の減少を示した。しかし、拡散モデルは混合した結果を示し、限定データ領域では改善が見られたものの、フルデータ領域では劣化が見られた。
• 物理的一貫性: 本手法は、ベースラインモデルを悩ませていたゼロ揚力付近（例：$\alpha = 0^\circ$）での深刻な抗力の過小評価を正常に補正し、真値と小数点以下3桁まで一致する物理的な大きさを回復させた。

意義および主張
本論文は、CoFINNがニューラルネットワークを純粋な画像処理システムから、保存則を考慮した予測モデルへと変貌させることに成功したと主張している。主な意義は、CNNサロゲートの計算効率の利点を維持しながら、物理的一貫性と保存挙動を大幅に向上させている点にある。著者らは、このアプローチは（CFDデータによって教師あり学習が行われているため）データ要求量を減らすものではなく、離散的な保存則を満たす解を優先するように損失関数を再形成するものであると強調している。これにより、純粋なデータ駆動型モデルが失敗しやすい衝撃波や高迎角を伴うシナリオにおいても、より信頼性が高く利用可能な予測が可能となる。本フレームワークは、保存則に従うより広範な物理システムへの拡張性を持つものとして提示されている。