From Fixed Grids to Moving Particles:A Transferable Latent Operator for Fluid Dynamics

あなたは、ガラスの中の水の中でインクの滴がどのように渦巻くかを予測しようとしているところだと想像してください。科学者には、この現象を観察するための2つの主要な方法があります。1つ目の方法は、「オイラー的（Eulerian）」な視点と呼ばれるもので、川の岸に立ち、固定された岩のそばを水が流れていく様子を眺めるようなものです。あなたは、その岩のすぐそばで、何度も繰り返し、水の速度と方向を測定します。これは流れの全体像を把握するには優れていますが、その上に浮いている特定の葉が最終的にどこへ辿り着くのかまでは教えてくれません。2つ目の方法は、「ラグランジュ的（Lagrangian）」な視点と呼ばれるもので、その葉にカメラを固定するようなものです。あなたは葉の正確な旅路を追いかけ、それがどのように回転し、曲がり、運ばれていくのかを見守ります。これは、物がどこへ行くのかを追跡するには最適ですが、何千もの個々の葉を同時に追跡しなければならないため、このようにデータを収集するのは非常に困難です。

長い間、データから学習するコンピュータモデルは、この「岸に立って眺める」スタイルのエキスパートでした。それらは、チェス盤のような固定された点のグリッド上で、水が盤面全体でどのように動くかを予測するように訓練されてきました。しかし、ここが厄介な点です。私たちは単に水が岩のところでどう動くかだけでなく、浮いている粒子（リーフ）がどこへ行くのかを知る必要があることがよくあります。通常、コンピュータに粒子の追跡を教えるには、それぞれの粒子が実際にどこへ行ったかを示す膨大な量のデータが必要です。しかし、そのようなデータは稀であり、入手するのが困難です。これにより、もどかしいギャップが生じています。つまり、水のグリッドに関する優れたモデルはあるものの、特別な、見つけにくい訓練用データを使わずに、浮遊する粒子が最終的にどこへ辿り着くのかを予測することに、既存のモデルは苦戦しているのです。

ここで、Meng Li氏とそのチームによる新しい研究が登場します。彼らは大胆な問いを投げかけました。「固定された『グリッド』のデータのみを用いて、流体の流れを予測するようにモデルを教え、さらに、訓練中に粒子の軌跡を一度も見せられることなく、その同じモデルを使って、浮遊する粒子がどこへ行くのかを即座に判断させることはできるだろうか？」

彼らの答えは、「可能である」というものでした。彼らは、**転移可能な潜在オペレーター（Transferable Latent Operator: TLO）**と呼ばれる新しいAIシステムを構築しました。TLOを、鍋の周囲に置かれた一連のスプーンからスープを味わうことで、複雑なスープの作り方を学ぶマスターシェフだと考えてみてください。通常、もし特定の麺がどのようにスープの中を動くかを知りたいのであれば、麺の追跡データを用いて訓練された別のモデルが必要になります。しかし、TLOは特別です。それは、スプーンがどこにあるかを気にしない、隠れた抽象的な方法で、スープの流れの「秘密のレシピ」を学習するのです。

シェフがレシピを学んだら、その同じ知識を使って2つのことができます。第一に、元のスプーンの位置におけるスープの味を伝えることができます（固定グリッドの予測）。第二に、これが魔法のような仕掛けなのですが、シェフは、スプーンが一度も置かれなかった場所であっても、どこにでも浮いている麺を想像し、その麺が今、どのくらいの速さとどの方向に動いているかを正確に伝えることができます。なぜなら、モデルはグリッドそのものではなく、流れそのものを理解しているからです。そのため、モデルはステップごとに位置を更新しながら、麺を追跡することができます。しかも、あらかじめ麺の追跡方法を教えられていなくても、これを行うことができるのです。

研究者たちは、シミュレーションされた粒子システムから現実世界の海洋流データに至るまで、5つの異なる流体力学の課題を用いてこのアイデアをテストしました。その結果、TLOは既存のモデルよりもグリッド上の水流の予測において優れていただけでなく、粒子が辿る経路の予測においても、「ゼロショット（zero-shot）」の形式で一貫して他の手法を上回る性能を示しました。これは、訓練中に粒子の経路を一度も見せられていないにもかかわらず、粒子追跡タスクにおいて高いパフォーマンスを達成したことを意味します。しかし、研究者たちは重要なニュアはも指摘しています。モデルは各ステップでの速度を予測するため、速度や方向の小さな誤差が蓄積し、予測された経路が真の経路から徐々に逸れてしまう可能性があるということです。したがって、このモデルは非常に効果的ではあるものの、完璧でエラーのない軌跡を保証するものではありません。そのため、研究では速度の正確さと、その結果として生じる経路の誤差の両方を注意深く報告しています。それにもかかわらず、この結果は、このアプローチが、海洋における汚染物質の拡散から空気中の煙の漂い方に至るまで、流体の中のものがどのように動くかを理解するための強力な新しいツールになり得ることを示唆しています。