技術要約：物理場のための離散リーマン計量の学習：余鎖フレーム（Cochain-Frame）等変性を伴う手法

問題定義

メッシュ上に定義された物理場（流体圧力、電磁束、渦度など）は、根本的な二重性を持っています。すなわち、その保存則やトポロジー的恒等式（$\nabla \times \nabla \phi = 0$ や $\nabla \cdot (\nabla \times A) = 0$ など）は、メッシュの包含構造（incidence structure）のみによって決定される厳密なものであり、トポロジーに依存します。一方で、幾何学的特性、材料応答、異方性結合、および曲率に依存する伝播などは、ドメイン固有の性質であり、データから学習される必要があります。

既存のニューラル・サロゲート（代理モデル）は、制約のないメッセージパッシング・アーキテクチャ内で、これらの役割を混同してしまうことがよくあります。すべての相互作用を学習可能として扱うことで、これらのモデルは正確なトポロジー的恒等式（余鎖複体条件 $d^2=0$ など）を維持することに苦戦し、多様な幾何形状やメッシュ解像度への汎化にも失敗することが多々あります。核心となる課題は、固定されたトポロジー的制約と、学習可能な幾何学的パラメータを厳密に分離しつつ、物理場の持つ対称性を尊重するニューラル・アーキテクチャを設計することです。

手法：リーマン・ホッジ・メッセージパッシング (RHMP)

著者らは、トポロジーと幾何学の分離を設計原理として定式化したニューラル・アーキテクチャである Riemannian Hodge Message Passing (RHMP) を提案しています。

1. トポロジーと幾何学の因数分解

RHMPは、離散外微分（DEC）および有限要素外微分（FEEC）に基づいて構築されています。これは物理場を、セル複体上の**余鎖（cochain）**として表現します。

• 0-余鎖: 頂点上のスカラー場（例：圧力）
• 1-余鎖: 方向付けられたエッジ上のフラックス（流束）または循環場
• 2-余鎖: 面上の強度場（例：渦度）

本アーキテクチャは、メッシュの向き付けられた包含関係によって完全に決定される余境界演算子（coboundary operators） ($d_k$) を固定します。これらの演算子は、正確なトポロジー的恒等式、具体的には余鎖複体の恒等式 $d_{k+1}d_k = 0$（離散版の $\nabla \times \nabla = 0$ および $\nabla \cdot (\nabla \times) = 0$）を強制します。

演算子自体を学習する代わりに、RHMPは離散リーマン計量 ($H_k$) を学習します。これらは余鎖空間に作用する対称正定値（SPD）行列です。$H_k$ は内積 $\langle x, y \rangle_{H_k} = \text{tr}(x^\top H_k y)$ を定義し、幾何学、材料特性、および異方性結合を効果的に学習します。

2. メッセージパッシング演算子

コアとなるメッセージパッシング層は、計量重み付きホッジ・ブロックです。$k$-余鎖の特徴量 $x_k$ に対して、演算子は以下のように計算されます。
$$L^H_k x_k = d_{k-1} H^{\downarrow}_{k-1} d^\top_{k-1} x_k + d^\top_k H^{\uparrow}_{k+1} d_k x_k$$
ここで、$d_k$ は特徴量を次の余鎖空間へと持ち上げ、$H_{k+1}$ はそれらに重みを付け（幾何学を学習）、$d^\top_k$ はそれらを再び投影します。この構造により、$H_k \succ 0$ である限り、結果として得られる演算子が正定値であることが保証され、非負のホッジ・エネルギーが保証されます。

3. 余鎖フレーム等変性 (Cochain-Frame Equivariance)

主要な革新は、余鎖フレーム等変性の強制にあります。余鎖の隠れ特徴量は、次元 $C$ の補助的なチャネル空間に存在します。著者らは、物理的な伝播は、このチャネル空間における直交基底の変化（$R \in O(C)$）に対して不変であるべきだと主張しています。

• メカニズム: 計量予測器 $H_k$ は、$O(C)$ 不変な統計量（例：特徴量のノルムおよび内積）のみから構成されます。
• 非線形性: RHMPは $\sigma_{\text{gate}}(m) = g(\|m\|)m$ という形式のノルム・ゲーテッド非線形関数を使用します。これにより、入力特徴量が $R$ によって回転された場合、出力も同様に $R$ で回転され、物理的な伝播を変えることなく表現が保持されることが保証されます。

4. 対称性の保証

$d_k$ を固定し、$H_k$ を特定の制約の下で学習することにより、RHMPは以下を保証します。

• 正確なトポロジー: $d^2=0$ は、学習とは無関係に、構成によって正確に成立します。
• 正定値性: ホッジ演算子は正定値であり、安定したエネルギー力学を保証します。
• ゲージ不変性: アベル型ゲージ場（1-余鎖 $A$ として表現される）において、曲率観測量 $F = dA$は、ゲージシフト$A \mapsto A + d\lambda$に対して正確に不変です（$d(d\lambda) = 0$ のため）。
• 空間的等変性: 幾何学的不変量（距離、面積）を予測器の入力として使用することで、ユークリッド対称性 ($E(n)$) を尊重します。

主な貢献

1. 計量中心の定式化: 本論文は、メッシュ上の物理場の学習を、余鎖上の離散リーマン計量 ($H_k$) を学習しつつ、余境界写像 ($d_k$) を固定するという問題へと再定義しました。これにより、トポロジー、幾何学、および保存則を明示的に分離しています。
2. 余鎖フレーム対称性定理とアーキテクチャ: 著者らは、$H_k \succ 0$、$H_k$ 予測における $O(C)$ 不変性、および空間入力における $E(n)$ 不変性を強制することが、非負のエネルギー、正定値演算子、および余鎖フレーム等変なメッセージパッシングをもたらすことを証明しました。また、これらの条件を直接実装する構成的なアーキテクチャ（RHMP）を提供しています。
3. ゲージ場の帰結と実証的検証: このフレームワークは、アベル型ゲージ場に対して正確な曲率不変性を自然に継承します。実験的に、RHMPは、流体力学、電磁気学、およびゲージ理論にわたる7つのベンチマークにおいて、12種類のベースライン（グラフニューラルネットワーク、セル複体ネットワーク、ゲージ等変CNN、ニューラルオペレータを含む）を上回る性能を示しました。

実験結果

RHMPは以下の7つのタスクで評価されました。

1. ナビエ・ストークス渦度: 構造化格子予測。RHMPはフーリエニューラルオペレータ（FNO）や他のベースラインを上回り、ホッジ因子分解が規則的な格子においても有益であることを示しました。
2. トーラス内拡散対流: 非自明なトポロジー上のスカラー輸送。
3. 楕円体表面流: $E(n)$ 等変なベクトル読み出しを必要とする。
4. マクスウェル・ポアソン静電場: 渦なしの電場 ($\nabla \times E = 0$) を強制。
5. U(1) ウィルソンループ: 正確なアベル型曲率不変性をテスト。RHMPは極めて高いSSIM（0.993）を達成し、正確な $d^2=0$ を強制しないベースラインを大幅に上回りました。
6. SU(2) ヤン・ミルズ: 微分項 ($dA$) と非線形交換子 ($[A, A]$) の結合をテスト。
7. AirfRANS (可変メッシュCFD): 変動する非構造化メッシュへの汎化。RHMPは、メッシュ不変な学習可能重みにより、異なるサイズや接続性を持つメッシュ間での転移に成功し、最高の性能を達成しました。

主な知見:

• RHMPは全7タスクにおいて最高の全体的パフォーマンスを達成しました。
• 最大の利得は、トポロジー、学習された幾何学、および場（フィールド）の構造が相互作用するタスク（例：ゲージ場）で見られました。
• アブレーション研究により、$d_k$ を固定し、ノルム・ゲーテッド非線形関数を使用することが、トポロジー的恒等式 ($d^2=0$) と余鎖フレーム等変性を維持するために不可欠であることが確認されました。これらの制約を取り除くと、点ごとの精度が高くても、構造的診断（例：$\|d^2\|_F$）が数桁劣化しました。
• RHMPは、10万セル規模の大きなメッシュに対しても、密なセル複体ベースラインと比較して、計算時間がほぼ線形であり、メモリ使用量も大幅に低い状態で効率的にスケールします。

意義と主張

本論文は、RHMPが物理的サロゲートのための新しいアーキテクチャのパラダイム、すなわち「トポロジーを固定し、幾何学を学習する」を確立したと主張しています。

• 理論的意義: メトリック学習と物理的保存則および対称性の間の厳密な数学的枠組み（定理1）を提供しています。また、任意の特性基底の選択に依存しない幾何学的伝播を学習するためには、余鎖フレーム等変性を強制することが必要であることを示しています。
• 実用的意義: メッシュの接続性（トポロジー）を学習パラメータ（幾何学）から切り離すことにより、RHMPは異なるメッシュ解像度や接続性間での汎化を可能にします。これは、数値流体力学（CFD）やエンジニアリング設計において極めて重要な要件です。
• 範囲: 著者らはRHMPを「メッシュベースの物理場」学習のための手法として位置付けています。アベル型ゲージ場を正確に扱える一方で、完全な非アベル型ゲージ共変性（群値輸送）への拡張には今後の課題があることを明記しています。本手法は、汎用的なグラフ学習フレームワークではなく、エンジニアリングや物理学におけるシミュレーションを加速するためのサロゲートモデリングツールとして提示されています。

結論として、トポロジー的制約と幾何学的学習を分離することで、特に保存則やゲージ構造が重要となる領域において、一貫した性能向上が得られることが示されました。