Beyond Field Accuracy: Two-Axis Diagnosis of Inverse-PINN Parameter Error

技術要約：フィールド精度を超えて：逆PINNにおけるパラメータ誤差の二軸診断

1. 問題提起

逆物理情報ニューラルネットワーク（Inverse-PINN）は、物理場を再構成すると同時に、未知の物理パラメータ（係数）を推定することを目的としている。本研究で特定された重要な現象は、PINNが極めて高い精度で物理場を再構成している一方で、得られる物理パラメータが著しく誤っている可能性があるということである。既存の診断手法は、フィールド誤差とパラメータ回復を混同しているか、あるいは勾配の不均衡や損失の幾何学的形状に焦点を当てており、パラメータ誤差の具体的な発生源を分離できていない。

本論文は、逆PINNのパラメータ誤差は、以下の2つの明確かつ科学的に異なる対象から生じると仮定している。

1. 有限サンプル解像度（Finite-sample resolution）: ノイズを含むデータを与えられた特定の観測および推定プロトコルにおいて到達可能な精度。
2. 符号付きパラメータ・プレファレンス（Signed parameter preference）: 学習された最終的な物理場と、学習中に使用される残差メトリックによって支持される、パラメータのシフトの特定の方向と大きさ。

著者らは、標準的な指標（例：フィールドの$L_2$誤差、残差MSE）ではこれらの成分を分離できないと主張しており、それが「データ解像度の不足」、「残差による証拠の不整合」、あるいは「最適化のデリバリー・ギャップ」のどれに起因するのかという明確な理解を妨げていると考えている。

2. 手法：二軸診断

著者らは、2つの補完的な診断軸からなる、事後学習アトリビューション（属性特定）フレームワークを提案している。このフレームワークは、学習されたニューラル場を固定された中間表現として扱い、パラメータ推定プロセスを「凍結された」レンズを通して分析するものである。

軸1：観測解像度（マッチド・フォワード推定器）
この軸は、特定のデータプロトコルの下でのパラメータ精度の理論的限界を定量化する。

• 手順: 真値（$p^\star$）から生成されたノイズを含む合成観測データに対して、「マッチド・フォワード（matched-forward）」推定器を繰り返し適合させる。
• 指標: これらの反復適合における平均絶対相対誤差（MAE）である$E_{match}$を、有限サンプル参照値として用いる。
• 理論的根拠: ローカルなガウス近似の下で、この誤差は観測マップとノイズ共分散から導出されるフィッシャー情報量（$I_{obs}$）に関連付けられる。この軸は、「指定された推定器とプロトコルにおいて、観測データは何を解像できるのか？」という問いに答えるものである。

軸2：学習された場の選好性（Frozen-Profile Displacement）
この軸は、単一のデータセットから学習された特定のニューラル場と残差メトリックによってエンコードされた、符号付きの選好性を測定する。

• 手順: 最終的なニューラル場（$\theta$）、残差メトリック行列（$M$）、および残差重みを固定する。残差プロファイル $\phi_M(q) = r(\theta, q)^\top M r(\theta, q)$ を最小化するようにパラメータ $q = \log p$ を変化させる。
• 指標: ガウス・ニュートン近似を用いて局所的な変位 $D_M$ を計算する。
  $$D_M = -\frac{B_M}{H_M}$$
  ここで、$B_M = J_p^\top M r_0$ は符号付き残差感度スコアであり、$H_M = J_p^\top M J_p$ は局所的なパラメータ強度（曲率）である。$J_p$ は残差のパラメータに関するヤコビアンである。
• 解釈: $D_M$ は、近傍の残差プロファイルの最小値に向かう符号付きの局所的な対数変位を表す。これは、残差の大きさ、残差と感度の間の符号付きの整列（$\rho_M$）、およびパラメータ強度の3つの因子に分解される。この軸は、「学習された場は何を好むのか？」という問いに答えるものである。

エンドポイント整合性チェック
本フレームワークは、結合学習によって得られたパラメータ（$q_{train}$）と、凍結されたプロファイルが示す選好（$q_{prof}$）を比較する。恒等式 $q_{train} - q^\star = (q_{prof} - q^\star) + (q_{train} - q_{prof})$ を用いることで、「プロファイルの選好」と「エンドポイント・デリバリー・ギャップ」を分離し、学習が残差の視点によってエンコードされた選好を正しくデリバリーできたかどうかを判断できる。

3. 主な貢献

1. 事後学習アトリビューション・チェーン: 観測解像度、固定された場の残差選好、およびエンドポイント・デリバリーを、それぞれ独立した測定値として結びつける手法を確立した。これらを用いて、デリバリーされたパラメータにおける整合性をテストし、誤差の源を特定する。
2. メトリックを考慮したスコア幾何学: 古典的な局所正規方程式から診断スコア（$D_M$）を導出し、スカラー因子分解、残差モード分析、および結合パラメータのためのフル行列形式へと拡張した。これにより、残差の大きさ、整列、およびメトリックの強さがどのように相互作用するかについての幾法的な解釈を提供する。
3. 制御された経験的検証: 3つの合成1次元スカラーパラメータPDE（Allen-Cahn, Buckley-Leverett, Burgers）および1つの結合2次元2パラメータDarcy問題を用いて、これらの概念を検証した。シードの固定、アーキテクチャの転送、および新規ノイズによる再学習を含む「検証ラダー」を用いることで、堅牢性を確保している。

4. 実験結果

• フィールド精度とパラメータ精度の乖離: 24個の介入フィールド全体において、フィールドの相対$L_2$誤差と絶対パラメータ誤差は、ほとんど相関していなかった（$r = .057$）。フィールド誤差が低いことが必ずしもパラメータ回復の向上を保証するわけではなく、例えばAllen-Cahnにおいては、フィールド誤差が低いほどパラメータ誤差が大きくなるケースも見られた。
• 凍結スコアによる残差ベイスンの追跡: 変位 $D_M$ は、異なるシード、アーキテクチャ、およびノイズ実現における、凍結された残差プロファイルの実際の真値近傍の最小値と強く相関していた（$r = .945$–$.052$）。これは、フィールド誤差や残差MSEよりも優れた最小値追跡性能を示した。
• エンドポイントの整合性: 240回の新規ノイズによる再学習ランにおいて、スコアにより示唆された変位は、デリバリーされたパラメータのエンドポイントを高い忠実度で追跡した（符号付き対数空間で $r = .994$）。また、240回中237回で正しい方向を示した。
• PDE依存の誤差アトリビューション:
  • Allen-Cahn: 密なマッチド解像度（低い観測誤差）を示したが、ニューラル・パイプラインの誤差において大きな正の超過を示した。これは、誤差の源が学習された場の選好、またはデリバリー・パイプラインにあることを示唆している。
  • Burgers: 弱いマッチド解像度（高い観測誤差）を示し、負の超過を示した。これにより、観測解像度が主要なボトルネックであることが特定された。
  • Buckley-Leverett: 中間的な挙動を示した。
• 結合パラメータの検証: 2次元Darcy問題において、フル行列変位計算（$D = -H^\dagger B$）は、対角近似を大幅に上回る中央値コサイン類似度 .999994 を達成した。

5. 意義と主張

本論文は、二軸診断が、逆PINNのパラメータ誤差を属性特定するための実用的かつ行動指向のワークフローを提供すると主張している。

• 診断ルーティング: これらの軸は、加法的な誤差成分ではなく、補完的な座標として機能する。
  • マッチド解像度が弱い場合、改善策はより良い観測データ、またはパラメータ範囲の再検討である。
  • **凍結された変位（$\Delta M$）**が大きい場合、改善策は残差の大きさ、符号付きの整列、およびパラメータ強度の検証である。
  • 変位は小さいがエンドポイントがずれている場合、焦点は最適化、モデルの仕様、または非局所的な挙動に移る。
• 限界と範囲: 著者らは、$D_M$ は固定された場と残差の視点に対する「オラクル診断」であり、グローバルな保証や、観測データなしで動作する推定器ではないことを明記している。検証は合成的な1次元スカラー問題と1つの2次元結合ケースに限定されている。また、マッチド・フォワード参照の初期キャリブレーションには既知の真値が必要であり、残差の視点の微分可能性に依存する。
• 結論: 本研究は、フィールドの正確性とパラメータの回復が異なる現象であることを示している。観測解像度と学習された場の符号付きの選好を分離することで、研究者は、単なるフィールド誤差メトリックに頼るのではなく、データ収集、残差証拠のチューニング、または最適化戦略へと、より効果的にフォローアップ作業を誘導することができる。