技術要約：半能動型圧電チューンドマスダンパーにおけるシャントパラメータ同定のための、説明可能な物理情報に基づくニューラル周波数応答フレームワーク

問題提起

半能動型シャント圧電チューンドマスダンパー（SATMD）は、共振補助質量と、再構成可能な抵抗・インダクタンス（RL）シャント回路を備えた圧電トランスデューサを組み合わせることで、広帯域の振動抑制を実現します。これらは効果的である一方、その性能は構造のデチューニングや動作条件に対して非常に敏感です。SATMDの実用的な展開における重要な課題は、測定された周波数応答関数（FRF）からシャントパラメータ（抵抗 $R$ およびインダクタンス $L$）を迅速かつ堅牢に同定することです。

従来のアプローチは、解析的なチューニング規則や、規定された電気機械モデルに基づく数値最適化に依存しています。これらの手法は、新しい測定ごとに繰り返しの最適化を必要とする場合が多く、計算負荷が高く、公称モデルと実際のシステムとの間に不一致が存在する場合に信頼性が低下することがあります。さらに、純粋なデータ駆動型の機械学習モデルは、物理的な一貫性に欠け、大規模なラベル付き実験データセットを必要とし、解釈性に乏しいため、高い信頼性が求められる振動制御アプリケーションにおいて障壁となります。

手法

本論文は、微分可能な物理ベースのソルバーとニューラル逆モデル、および説明可能性技術を統合した周波数領域のアプローチである、**物理情報に基づくニューラル周波数応答フレームワーク（PI-NFRF）**を提案しています。このフレームワークは、主に3つのユースケースを通じて機能します。

1. 微分可能な順方向物理モデル

フレームワークの核となるのは、SATMDの結合ダイナミクスから導出された微分可能な電気機械ソルバーです。システムは、複雑な動的剛性行列 $\mathbf{Z}(\omega; \boldsymbol{\theta})$ によって支配される、3自由度（主質量、補助質量、および電気電荷）の電気機械系としてモデル化されます。

• 定式化: 平衡状態は $\mathbf{Z}(\omega; \boldsymbol{\theta})\mathbf{x}(\omega; \boldsymbol{\theta}) = \mathbf{f}(\omega)$ と定義され、$\boldsymbol{\theta}$ には構造パラメータ（$m_2, k_p$）およびシャントパラメータ（$R, L$）が含まれます。
• 微分可能性: ソルバーは、パラメータから直接、複素数形式の加速度FRFを計算します。これは微分可能な線形ソルバーを用いて行われ、最適化および学習のために勾配が物理モデルへと逆伝播することを可能にします。

2. 逆学習（ユースケース II）

個々の測定に対して最適化問題を解く代わりに、ニューラルネットワークは、複雑な加速度FRFからシャントパラメータ（$R, L$）を直接マッピングする**償却推論（amortized inference）**を行うよう訓練されます。

• データ生成: 順方向ソルバーを用いて、$R$ および $L$ の範囲内でサンプリングされた合成データセットを生成します。逆学習の段階では、入力FRFに対してのみ制御されたノイズが付加されますが、物理的一貫性を維持するために、順方向物理モデル自体はノイズフリーのまま保持されます。
• 物理的一貫性を持つ学習: ネットワークは単にパラメータのラベルに対して学習されるのではありません。代わりに、閉ループの損失関数を採用しています。予測されたパラメータは順方向ソルバーへとフィードバックされ、損失は「再構成された」FRFと「ターゲット」FRFの間の不一致に基づいて計算されます。これにより、学習された逆写像が支配的な電気機械物理学によって制約されることが保証されます。
• アーキテクチャ: 全結合フィードフォワードネットワーク（隠れ層 256-128-64）が、加速度FRFの実部および虚部を、正規化された $R$ および $L$ の値へとマッピングします。

3. 説明可能性と分析（ユースケース III）

ニューラルネットワークの「ブラックボックス」的な性質に対処するため、フレームワークは3つの解釈可能性戦略を採用しています。

• 潜在空間の組織化: ニューラルネットワークの64次元の潜在ベクトルに対して主成分分析（PCA）を適用し、モデルが異なる電気機械的なチューニング状態をどのように整理しているかを可視化します。
• 周波数ごとの感度: 局所的な感度（$\partial \hat{R}/\partial \mathbf{X}$ および $\partial \hat{L}/\partial \mathbf{X}$）を計算し、どのスペクトル領域（周波数）がパラメータ推論に最も影響を与えるかを特定します。
• 記号的蒸留: 公称のリファレンスからのFRFの全体的な偏差を表す、簡約化されたスカラー記述子（$\xi_{FRF}$）を導出します。その後、記号回帰（PySRを使用）を適用し、この記述子と物理パラメータ（$R, L, m_2, k_p$）を結びつけるコンパクトな解析式を見つけ出します。

主な結果

パラメータ同定（ユースケース I）

フレームワークは、実験的なFRFの再構成誤差を最小化することで、物理パラメータ（$m_2, k_p, R, L$）を特定することに成功しました。

• 精度: 同定されたパラメータはリファレンス値と密接に一致しており、相対的なFRF再構成誤差は $2.35 \times 10^{-6}$ でした。
• 解釈性: この手法は、公称値に対する物理的に意味のある補正（例：吸収質量への72.7%の調整、および圧電剛性への122%の調整）を回収しました。これは、微分可能なソルバーが実験データに対して複雑なモデルを校正できることを示しています。

ブラインド逆チューニング（ユースケース II）

逆ニューラルネットワークは、学習中に一度も提示されていない6つのブラインド実験構成に対して評価されました。

• 性能: モデルは、抵抗に対して平均絶対誤差 0.0823 $\Omega$、インダクタンスに対して $5.72 \times 10^{-4}$ H を達成しました。
• 相対誤差: $R$ に対して 0.41%、$L$ に対して 0.66% の平均相対誤差となりました。
• 汎用性: 低抵抗から高抵抗、低インダクタンスから高インダクタンスに至るテスト範囲全体での低い誤差は、合成データから実験データへの転移が成功しており、再最適化を行うことなくサンプリングされたパラメータ空間内での補間が可能であることを示しています。

説明可能性の知見（ユースケース III）

• 潜在構造: PCA投影は、潜在空間内に滑らかで湾曲した多様体（マニホールド）を明らかにし、ネットワークが電気機械的なチューニングの構造化された表現を学習していることを示しました。しかし、$R$ と $L$ が結合して変化したため、モデルは完全に分離された軸ではなく、結合されたチューニング座標を学習しました。
• スペクトル感度: 感度分析により、2つの重要な周波数帯域（50–52 Hz および 103–110 Hz）が特定されました。これらの領域は、共振ピーク、反共振のシフト、およびモード間の相互作用に対応しており、ネットワークが物理的に情報量の多いスペクトル特徴を利用していることを裏付けています。
• 記号的蒸留: FRFのグローバル記述子の分散の約**86%**を説明するコンパクトな記号式が導出されました。この式はシステムの結合性を浮き彫りにし、機械的パラメータと電気的パラメータを独立した寄与因子として扱うことはできないことを示しました。

意義と主張

本論文は、PI-NFRFが、従来の最適化手法や純粋なデータ駆動型アプローチに代わる、データ効率が高く説明可能な選択肢を提供すると主張しています。その主な貢献は以下の通りです：

1. 物理情報に基づく推論: 学習ループに支配的な電気機械方程式を組み込むことで、フレームワークはパラメータ予測に物理的一貫性を持たせ、各測定ごとに新たな最適化問題を解くことなく、迅速な推論を可能にします。
2. 合成データから実験データへの転移: 微分可能な物理ソルバーによって生成された合成データで訓練することで、実世界の実験的なFRFに対しても効果的に汎用できることを実証しました。これにより、大規模なラベル付き実験データセットの必要性を減らします。
3. 解釈可能性: 不透明なニューラルネットワークとは異なり、PI-NFRFは潜在空間分析、周波数ごとの属性特定（重要なスペクトル領域の特定）、および記号的蒸留（コンパクトな解析的関係の提供）を通じて、エンジニアリング上の洞察を提供します。
4. 限定的な範囲: 著者らは、結果がサンプリングされたパラメータ空間内での補間能力を検証したものであることを明示しています。彼らは、記号的蒸力が正確な支配方程式を復元すると主張しているのではなく、あくまで支配的なパラメータ依存性に関するエンジニアリングレベルの要約を提供するものであるとしています。

本研究は、検証された解析的定式化に基づきつつ、ニューラル推論の速度を活用することで、PI-NFRFを、半能動型電気機械吸収器の信頼性の高いリアルタイム再チューニングに向けた一歩として位置づけています。