Direct inference of viscoelastic memory from chirp rheometry via physics-informed Gaussian processes

技術要約：物理学に基づいたガウス過程によるチャープレオメトリーからの粘弾性メモリの直接推論

問題提起
軟質材料は、応力が瞬時歪みではなく、全変形履歴に対する重み付き積分によって決定される粘弾性挙動を示す。この「メモリ（記憶）」を特定することは、現実世界の荷重下での材料挙材を予測する上で極めて重要である。標準的なレオロジー手法である小振幅振動せん断（SAOS）は再現性は高いものの、実用面で2つの制限がある。(1) フル周波数スイープには数分から数時間を要するため、ゲル化や老化が進むような進化する系には適さない。(2) 構成則の推論はスペクトル推定（フーリエ変換）の後に行われるため、信号の削減過程で導入されたノイズや有限窓によるアーティファクトが、フィッティングされたモデルへと不可逆的に伝播してしまう。

チャープレオメトリーは、数時間の測定を数秒間に圧縮し、高密度な時間領域データ（$10^3$–$10^4$ 個の応力-歪みペア）を生成することで、この問題への解決策を提供する。しかし、チャープデータの標準的な解析パイプラインはSAOSと同様のプロセスを辿る：高密度な時系列データは、貯蔵弾性率（$G'$）および損失弾性率（$G''$）を推定するためにウィンドウ処理とフーリエ変換が行われる。このプロセスは測定された情報の大部分を破棄しており、スペクトル推定におけるバイアスが、回収された構成則の精度を制限するという「推論のボトルネック」を生じさせる。さらに、レオロジーにおける既存の機械学習アプローチは、汎用性に欠けることが多い。特定の波形に対して訓練されたモデルは、材料固有の特性ではなく波形特有のマッピングを学習してしまうため、異なる変形プロトコルに対する応答を予測できないことが頻繁にある。

手法
著者らは、中間的なスペクトル推定を回避し、時間領域で直接的な確率的構成則推論を行う、物理学に基づいたガウス過程（GP）フレームワークを提案する。

1. 物理学に基づいた特徴量構築： 本フレームワークは、ボルツマンの重ね合わせの原理をGPの入力空間に直接組み込んでいる。生の時刻座標を使用する代わりに、入力特徴量は、測定された歪み速度履歴（$\dot{\gamma}$）と候補となるメモリカーネル（$\phi_i$）との因果的畳み込みとして構築される。
   $$\sigma(t) = \sum_{i=1}^n c_i x_i(t; \kappa)$$
   ここで、$x_i(t) = \int_0^t \phi_i(t-t'; \kappa) \dot{\gamma}(t') dt'$ である。$\kappa$ は形状パラメータ（緩和時間、分数指数など）を表し、$c_i$ はスカラー前係数（弾性率、粘性など）を表す。

2. ガウス過程回帰： これらの設計された特徴量から測定された応力への写像に対してGPが割り当てられる。

   • 線形カーネル： 線形粘弾性領域にある材料の場合、線形カーネルが使用される。これにより、GPは特徴空間におけるベイズ線形回帰と同等になり、事後感度（$\partial \bar{\sigma} / \partial x_i$）から構成前係数（$c_i$）を直接導出できる。
   • RBFカーネル： 線形性や時間並進不変性が仮定できない場合（例：変化する材料）、放射基底関数（RBF）カーネルにより、非線形な応力-特徴量写像が可能となる。GP予測の時分解感度は、材料進化の診断として機能する。

3. モデル選択と訓練： 本フレームワークは、すべてのパラメータ（形状パラメータ $\kappa$ およびGPハイパーパラメータ）を、エビデンス下限（ELBO）を最大化することによって共同で訓練する。候補となる構成則（例：Maxwell、Fractional Maxwell、Scott Blair、Fractional Kelvin-Voigt）間のモデル選択は、生の時系列データから直接計算される赤池情報量基準（AIC）およびベイズ情報量基準（BIC）を用いて行われる。

主な結果
本フレームワークは、5つの異なる実験シナリオにわたって検証された：

1. ワーム状ミセルのMaxwell的メモリ： ワーム状ミセル溶液に対する2秒間のチャープに適用したところ、本手法は古典的なMaxwellモデルや他の分数型モデルよりもFractional Maxwell Liquid (FML) モデルを選択した。緩和時間（$\tau_c \approx 1.49$ s）と分数指数（$\beta \approx 0.014$）を回収し、これは材料がMaxwell限界に近いことを示している。決定的なことに、本手法は訓練用チャープの励起周波数帯域の外側にある特性周波数（$\omega_c \approx 0.67$ rad/s）を推論しており、訓練ウィンドウを超えて外挿できる能力を示した。

2. プロトコル独立性： 2秒間のチャープで訓練されたGPを、異なる帯域幅、持続時間、初期位相を持つ独立した14秒間のチャープに対してテストした。訓練されたGPは、高い精度（RMSEは訓練時のフィットと同等）で応力応答を予測し、終端クロスオーバー周波数を正しく解明した。これは、本手法が波形特有のマッピングではなく、構成則を学習していることを裏付けている。

3. 臨界ゲルにおけるスケールフリー・メモリ： セルロースナノファイバーハイドロゲルのノイズの多い7秒間のチャープにおいて、本手法はScott Blair（臨界ゲル）メモリカーネルを回収した。決定係数（$R^2 = 0.863$）を達成し、チャープデータが2桁短く、かつ大幅にノイズが多いにもかかわらず、451秒の離散周波数スイープと一致する分数指数（$\alpha \approx 0.063$）および準特性（$V$）を特定した。

4. フォトポリマー樹脂における応力分担： Fractional Kelvin-Voigt (FKV) モデルでモデル化されたフォトポリマー樹脂に対し、本フレームワークは、2つの並列なメモリ特徴量（準弾性ネットワークとべき乗則散逸ブランチ）への応力応答の分解に成功した。また、この分解における不確実性を定量化し、ノイズのために標準的なフーリエ解析では捉えられなかったネットワークブランチ内の弱いべき乗則緩和を解明した。

5. 材料変異の検出： UV硬化アクリレート系にRBFカーネルを適用し、時間並進不変性の破れを検出した。メモリ特徴量（動粘度として解釈）に対するGP予測の時分解感度は、単一のチャープ中に+8.1%の単調増加を示し、規定の速度論モデルなしに材料変異（架橋）の開始を直接捉えた。後の硬化段階での制御測定では、このようなドリフトは見られなかった。

意義と主張
本論文は、スペクトル推定と構成則フィッティングのシーケンスを、生の時系列データに直接課される単一の物理学に基づいた確率的推論問題に置き換えることで、標準的なチャープ解析の限界を解決すると主張している。

• 直接推論： 本手法は、特定の波形ではなくメモリカーネル（構成特性）を推論するため、再訓練なしに未観測の変形履歴に対する予測が可能である。
• ノイズおよび短期間への堅牢性： 時分解データの全密度を利用することで、従来のフーリエベースの手法が失敗するような、短期間またはノイズの多い記録からでも構成パラメータを回収できる。
• 不確実性の定量化： 確率的な定式化により、すべての推論されたパラメータ（弾性率、指数、緩和時間）の不確実性が定量化され、構成的特徴量と観測ノイズの間の分散分解が可能となる。
• モデルフリーの診断： 時分解感度は、非定常性（材料の進化）や非線形性を検出するための診断ツールとして機能し、プロトコルに依存しない構造変化の指針を提供する。

著者らは、このアプローチが、モデル選択、不確実性を考慮したパラメータ推定、およびエビデンスに基づく仮説検証を、単一の短い実験の出力から直接扱うことを可能にする、物理学に基づいた特徴量構築への道筋を確立したと結論付けている。