技術要約：フェーズフィールド破壊における条件付きデノイジング拡散モデルを用いた不確実性を考慮した亀裂進展予測

1. 問題提起

従来の高忠実度フェーズフィールド有限要素法（FEM）による、脆性的な亀裂の発生、伝播、および複雑なトポロジー進化の正確な予測は、計算コストが極めて高い。フェーズフィールドモデルは、明示的な追跡なしに鋭い亀裂表面を正則化することに成功しているが、各荷重増分におけるエネルギー最小化の非線形かつ非凸な性質により、微細な空間離散化と膨大な計算時間（1回のシミュレーションあたり数時間）を必要とする。このボトルネックが、リアルタイムの構造評価、大規模なパラメータスタディ、および不確実性を定量化した設計最適化を妨げている。

さらに、既存の破壊に関する機械学習（ML）サロゲートモデルの多くは、決定論的なアーキテクチャ（例：U-Net、Fourier Neural Operator）に依存している。これらのモデルは与えられた入力に対して単一の出力を生成するが、これは破壊の物理学と根本的に矛盾する。構造的な分岐点において、力学的に許容される亀裂経路は複数存在する可能性がある。決定論的モデルは必然的にこれらの経路を「ぼかし（smear）」、あるいはランダムに一つを選択してしまい、固有の解の多重性を捉えることができない。本研究は、計算効率が高いだけでなく、不確実性を定量化し、マルチモーダルな破壊結果を捉えるための確率的サンプリングが可能なサロゲートモデルの必要性に対処するものである。

2. 手法

2.1 物理情報に基づく条件付きDDPM

著者らは、フェーズフィールド亀裂進化の全視野時空間予測のための**条件付きデノイジング拡散確率モデル（DDPM）**を提案している。このモデルは、履歴状態と運動学的プロキシに条件付けられた上で、固定されたガウスノイズ付加プロセスを逆転させることで、次時刻の損傷場（$\phi$）を合成することを学習する。

• 条件付けメカニズム： 標準的な画像変換とは異なり、モデルは以下の物理学に配慮した特徴テンソルによって条件付けられる。
  • 空間的特徴： 前5フレームのフェーズフィールドの時系列ウィンドウ、損傷速度場（$\partial \phi / \partial t$）、およびフェーズフィールドの勾配大きさ（$\|\nabla \phi\|$）。これらの運動学的プロキシは、損傷の蓄積、成長方向、および局所的な応力強度を明示的に符号化している。
  • スカラー特徴： 時間埋め込み、荷重タイプ（せん断 vs 二軸引張）、およびマクロな亀裂密度。
• アーキテクチャ： ノイズ予測ネットワークは、2つの並行な条件付けパスを持つU-Netバックボーンを利用する。
  1. 空間的条件付け： 7チャンネルの空間特徴テンソルを、チャネル軸に沿ってノイズを含む入力と結合する。
  2. スカラー条件付け： 全局的な状態変数を、MLPを介してU-Netのボトルネックに注入する。
• 物理的制約： 拡散モデルはアーキテクチャとして不可逆性（$\dot{\phi} \geq 0$）を強制するわけではないが、推論時に事後的な単調投影（monotonic projection）を適用することで、確率的サンプリングを偏らせることなく、稀に発生する違反を修正する。

2.2 データセットおよび評価プロトコル

モデルは、6,000件のフェーズフィールドシミュレーション（Hamdi and Lejeune [32]）の標準化されたベンチマークデータセットを用いて学習および評価される。

• 学習： 4つのサブセット（せん断/引張荷重およびスペクトル/体積/星状凸エネルギー分解の組み合わせ）にわたる4,000件のシミュレーション。
• 検証： 未知の組み合わせ（例：せん断荷重と星状凸分解）を用いた、2,000件のホールドアウトシミュレーションによる汎化性能テスト。
• 指標： 評価は、グローバルな画素精度よりも、Dice係数、IoU（Intersection over Union）、ハウスドルフ距離、亀裂先端の局在化誤差、亀裂長の誤差、およびベッチ数（トポロジー的正当性）を含む、亀裂特有のトポロジー指標を優先する。

2.3 不確実性の定量化（UQ）

不確実性は、学習済みモデルを変更することなく、アンサンブル分散を通じて定量化される。同一の入力に対し、異なる初期ガウスノイズサンプルを用いて逆拡散鎖を$N$回実行することで、モデルは物理的に妥当な亀裂経路のアンサンブルを生成する。このアンサンブルの画素ごとの標準偏差は、不確実性マップとして機能し、複数の経路が許容される構造的分岐点に集中することが期待される。

3. 主な結果

3.1 予測精度と汎化性能

• 単一ステップ性能： モデルはホールドアウト検証セットに対して0.9948のDice係数を達成し、堅牢なクロスレジーム汎化性能を示した。
• 亀裂の局在化： モデルは、平均誤差0.12ピクセルというサブピクセル精度の亀裂先端局在化を実現した。
• トポロジー的正当性： モデルは、Betti-0一致率92.9%、および閉じたループに対する条件付きBetti-1一致率95.2%という高いトポロジー的忠実度を維持している。

3.2 自己回帰的安定性

閉ループ自己回帰ロールアウト（50ステップ、ティーチャーフォーシングなし）において：

• DDPMは、Diceスコア0.929 ± 0.010を維持する。
• 同様の条件下で学習された決定論的U-Netは、誤差の蓄積によりDiceスコアが0.423まで低下し、崩壊する。
• この2.2倍の性能差は、確率的な再サンプリングが、固定点予測器を劣化させる系統的な誤差伝播を防止することを裏付けている。
• 誤差成長分析では、画素ごとの平均絶対誤差（MAE）は劣線形（$b \approx 0.865$）で成長する一方、トポロジー誤差（1-Dice）は線形（$b \approx 1.035$）で成長する。

3.3 不確実性定量化の性能

• 局在化： アンサンブル分散は、特に亀裂の分岐接合部（例：Y字路での $\sigma_{max} = 0.222$）に集中し、決定論的な伝播領域ではほぼゼロとなる。
• 精度： 高不確実性ピクセル（高 $\sigma$）は、ランダム選択と比較して18倍の改善となる90%の精度で高誤差予測を特定する。
• 較正： モデルは、予測された不確実性と実際の亀裂ピクセルの誤差との間に、正のスペアマン順位相関係数（$\rho = 0.269$）を示す。カバレッジ分析によれば、モデルは分岐ゾーンにおいてやや過小分散（under-dispersed）であるが、エンジニアリング上のトリアージには十分に較正されている。

3.4 計算効率

• FEMに対する速度： H100 GPUでの推論は、1ステップあたり約3.6秒であり、FEMのリファレンス（100ステップで2.8時間）よりも約28倍高速である。
• 決定論的モデルに対するコスト： DDPMは、決定論的U-Net（4.2 ms/step）よりも約1,000倍遅い。著者らは、このコストの原因を、多様な確率的サンプルを生成するために必要な1,000ステップの逆拡散鎖の反復的な性質にあるとしている。

4. 意義と主張

本論文は、脆性破壊のための確率的に較正された生成サロゲートを確立し、決定論的な機械学習アプローチの限界に対処している。その主な貢献は以下の通りである：

1. 確率的な多重性： 複雑な亀裂経路を平均化してしまう決定論的サロゲートとは異なり、DDPMは分岐点における破壊のマルチモーダルな性質を捉え、単一の学習済みモデルから多様で物理的に妥当な結果を生成する。
2. 内在的な不確実性定量化： （深層アンサンブルのように）複数の独立したモデルを学習させることなく、空間的に局在化した不確実性マップを提供する。これにより、エンジニアは高リスク領域（構造的不安定性）を高精度に特定できる。
3. 長期間の安定性： 確率的な再サンプリングメカニズムにより、決定論的な自己回帰ロールアウトで見られる破滅的な誤差蓄積を防ぎ、安定した長期予測を可能にする。
4. エンジニアリングへの有用性： 不確実性の出力は「エンジニアリング・トリアージ」のための実用的なツールとして機能し、高誤差の予測を標的とした検証を可能にすることで、高忠実度シミュレーションとリアルタイムの構造ヘルスモニタリングの架け橋となる。

本研究は、拡散モデルの計算コストは決定論的な代替案よりも高いものの、不確実性を定量化し構造的多重性を捉える能力が、安全性が重視されるアプリケーションやリスクを考慮した計算力学において、そのコストを正当化すると結論付けている。