技術要約：線形偏微分方程式のランダム特徴量コロケーションのための残留クリストッフェル・サンプリング

1. 問題設定

本論文は、線形偏微分方程式（PDE）のコロケーションにおける**ランダム特徴量法（Random Feature Method; RFM）**に内在する安定性とコンディショニングの問題に取り組んでいる。標準的なRFMコロケーションでは、解を $u \approx \sum c_m \phi_m$ と近似するために、固定されたランダムな試行関数集合 $\{\phi_m\}_{m=1}^M$ が選択される。係数 $c_m$ は、一連のコロケーション点においてPDEの残差（residual）を強制することから導かれる線形最小二乗系を解くことで決定される。

ここで特定された核心的な困難は、標準的な幾何学的点選択（例：一様サンプリング）が、特定の試行空間に対して作用する微分演算子の「弱く観測される（weakly observed）」方向を捉えきれないことが多い点である。これは、経験的グラム行列（empirical Gram matrix）の条件数を悪化させ、数値的なランク欠損、高い条件数、および反復ソルバーの収束遅延または失敗を招く。本論文は、離散化は**演算器を意識したもの（operator-aware）**であるべきだと主張している。つまり、コロケーション点の選択と方程式の重み付けは、演算子が適用された特徴量の幾材（geometry）を反映しなければならない。

2. 手法

著者らは、コロケーション測度、方程式の重み、および係数の座標を、**演算子残差特徴量（operator-residual features）**から直接構築するフレームワークを提案している。

2.1 演算子残差の幾何学

$L$ を内部微分演算子とし、$\psi(x) = (L\phi_1(x), \dots, L\phi_M(x))^\top$ を演算子が適用された特徴量のベクトルとする。集団残差グラム（population residual Gram）は、$G = \mathbb{E}_\mu[\psi(x)\psi(x)^\top]$ と定義される（ここで $\mu$ は参照測度である）。
本手法は、保持ランク（retained rank） $r$（$G$ のスペクトルギャップによって決定される）に焦点を当て、$G$ の切断スペクトル逆行列に基づくホワイトニング写像（whitening map） $T_r$ を構築する。これにより、残差特徴量を、期待グラムが単位行列 $I_r$ となるホワイトニングされた空間 $\psi_\perp(x) = T_r^\top \psi(x)$ へと変換する。

2.2 サンプリング戦略

経験的ホワイトニング・グラムが単位行列に集中するように、コロケーション点をサンプリングするための2つの主要な戦略が開発された。

1. ランダム化残留クリストッフェル・サンプリング（Randomized Residual-Christoffel Sampling）:

   • 密度: 点は、残差クリストッフェル関数 $K_M(x) = \|\psi_\perp(x)\|_2^2$ に比例する密度からサンプリングされる。
   • 重み: 各サンプル点には、逆密度重み $\omega_i \propto 1/K_M(x_i)$ が割り当てられる。
   • メカニズム: これにより、レバレッジが高い領域（ホワイトニングされた空間において演算子残差が大きい領域）がより頻繁にサンプリングされる一方で、その寄与は正規化される。この手法は、期待される経験的グラムが単位行列になることを保証する。
   • 実装: 有限の候補集合と、効率的なサンプリングのためのエイリアス・テーブルを使用する。

2. 決定論的レバレッジ・グリーディ選択（Deterministic Leverage-Greedy Selection）:

   • メカニズム: 現在のグラム行列の**正則化された対数行列式（regularized log-determinant）**の増分を最大化する候補点を反復的に選択する、グリーディ・アルリズムである。
   • 指標: 各ステップにおいて、既に選択された集合に対するレバレッジ・スコア $\psi(x)^\top G_k^{-1} \psi(x)$ が最大となる点を選択する。
   • 目的: 最小限の点数で、保持された部分空間における情報利得を最大化すること。

2.3 境界条件の取り扱いとホワイトニング

本フレームワークは、内部残差グラム（サンプリングに使用）と、境界条件を含む完全なシステムを区別する。

• ホワイトニング: 係数空間を変換するために、係数写像 $P_{coef}$（通常は $T_r$）が適用される。これは、解をホワイトニング写像の範囲に制限し、システムをプリコンディショニングする。
• 境界拡張: 境界点は固定ブロックとして付加される。論文では、内部サンプリングは残差を安定させるが、境界を意識したホワイトニング（境界グラムをホワイトニング変換に組み込むこと）を行うことで、完全なシステムの条件数をさらに下げられることが指摘されている。

3. 主な貢献

1. 残留クリストッフェル・サンプリングの構築: 著者らは、固定されたランダム特徴量空間の演算子残差特徴量から直接導出された、サンプリング密度および逆重み付けスキームを構築した。これは、サンプリングのための代理物が演算子を省略していた従来の先行研究とは異なる。
2. 理論的保証:
   • 集中（Concentration）: サンプリングされたホワイトニングされた内部グラムが、高い確率で単位行列に集中することを証明している。サンプル複雑度は、保持次元 $r$ に対して線形（$O(r \log(r/\delta)/\epsilon^2)$ まで）である。
   • スペクトル減衰: 一様解析的な残差カーネルに対して、関連する演算子が**伸長指数関数的に減衰する固有値（stretched-exponentially decaying eigenvalues）**を持つことを確立している。その結果、**リッジ有効次元（ridge effective dimension）**は、逆リッジスケールに対して多項式対数（polylogarithmic）となる。これは、問題の有効な複雑さが生の特長量数 $M$ よりもはるかに低いことを意味する。
3. 決定論的補完: 正則化された対数行列式の増分を最大化するグリーディ選択アルゴリズムを提供し、スカラー問題において少ないサンプルサイズで特に優れた性能を発揮する非ランダムな代替案を提示している。
4. 数値検証: 1D、2D、3DのスカラおよびベクトルPDE（ポアソン、ヘルムホルツ、対流拡散、弾性力学）および非矩形領域（L字型、アニュラス）にわたる広範な実験。

4. 結果

• コンディショニング: 提案手法（サンプリング＋ホワイトニング）は、ホワイトニングなしの一様サンプリングと比較して、条件数が数桁（例：$10^{17}$ から $10^3$ へ）減少した、数値的にフルランクのシステムを生成する。
• ソルバーの性能: コンディショニングの改善は、反復ソルバー（LSQR）の収束速度に直結する。プリコンディショニングのないLSQRは反復回数の上限に達することが多いが、変換されたシステムは数十から数百回の反復で収束する。
• 精度:
  • スカラ方程式については、決定論的グリーディ選択が、小さなサンプルサイズ（保持次元あたりの点数が極めて少ない場合）において最も低い誤差を達成する。
  • 残留クリストッフェル・サンプリングは、様々なサンプルサイズに対して堅牢な性能を提供し、ベクトル系においても効果的である。
  • 高周波や可変係数の問題においても、一様サンプリングが失敗する場面で本手法は安定性を維持する。
• 幾何学的転移: 安定化の恩恵は、複雑なドメイン（L字型、アニュラス）や異なる演算子のタイプにおいても持続し、この代数的な安定化が単純な幾何学に限定されないことを示している。

5. 意義と主張

本論文は、**残留空間の幾何学（residual-space geometry）**が、安定した強形式（strong-form）のランダム特徴量コロケーションのための原理的な設計を提供するものであると主張している。演算子が適用された試行関数の幾何学に一致するように離散化を明示的に構築することで、本手法は固定特徴量ソルバーを悩ませる不良なコンディショニングの問題を解決する。

著者らは、以下を強調している：

• コロケーション点の選択を、近似空間の拡充（試行空間の不足は別途処理される）から切り離していること。
• ランダム特徴量演算子のスペクトル特性と、安定した離散化に必要なサンプル複雑性との間の理論的なつながりを提供していること。
• 現在の残差に依存する適応的手法（再計算が必要となる）や、一般的な幾何学的サンプリングに対する、演算器を意識した実用的な代替案を提供していること。

本研究は、固定されたランダム特徴量空間における線形PDEに対して、安定性は単に点の数を増やすことによってではなく、サンプリング測度を演算子残差特徴量のレバレッジ・スコアに適合させることによって達成されることを確立している。