技術要約：放射伝達方程式の高速かつ離散化不変な解法のためのフーリエ・ニューラル・オペレーター

問題定義

放射伝達方程式（RTE）は、参与媒体における熱放射を支配するものであり、燃焼、大気科学、高温システム、および放射熱管理のモデリングにおいて極めて重要なプロセスである。しかし、RTEを解くことは、空間位置、伝搬方向、および波長に依存する本質的な高次元性により、計算コストが非常に高い。従来の決定論的手法（例：離散速度法）は、広範な空間、角度、およびスペクトルの離散化を必要とする。一方、確率的なモンテカルロ（MC）法は、統計的ノイズを低減するために膨大な数のフォトンの履歴を必要とする。これらのコストは、結合された熱流体問題、過渡シミュレーション、設計最適化、およびRTEを繰り返し解く必要がある逆問題において、大きな障壁となる。

既存の機械学習（ML）による放射伝達へのアプローチには、以下の限界がある：

• パラメータベースのサロゲートモデル（例：全結合ネットワーク）は、固定された形状に対しては効率的であるが、新しい形状や問題の定式化に対する汎用性に欠ける。
• 画像対画像モデル（例：CNN、U-Net）は、MC予測のデノイジングに使用されるが、基礎となるMCシミュレーションの計算コストを維持してしまい、特定の空間離散化や解像度に縛られることが多い。

したがって、高速で、異なる空間離散化間で汎用性があり、固定解像度のマッピングではなく、基礎となる解演算子（solution operator）を学習できるサロゲートモデルが必要とされている。

手法

フーリエ・ニューラル・オペレーター（FNO）アーキテクチャ

本研究では、RTEの解演算子を近似するために、フーリエ・ニューラル・オペレーター（FNO）を実装している。固定次元の配列をマッピングする標準的なニューラルネットワークとは異なり、FNOは関数空間間のマッピングを学習するため、「離散化不変（discretization-invariant）」である。

• 入力： 5つの離散入力フィールド（散乱係数 $\mu_s$、吸収係数 $\mu_a$、非対称パラメータ $g$、形状、および温度 $T$）。
• 出力： 吸収熱流束場 ($q''$)。
• 構造： アーキテクチャは以下で構成される：
  1. リフティング層 ($P$)：入力を高次元の潜在空間に投影する。
  2. 4つのフーリエ層：各層はローカルな点ごとのパスと、非局所的なフーリエ積分パスを含む。積分パスはフーリエ空間で動作し、畳み込みを通じて積分演算子をパラメータ化することで、非局所的な相互作用を効率的にモデル化する。コスト削減のため、高周波モードは切り捨てられる。
  3. 投影層 ($Q$)：潜在表現を再び出力空間へとマッピングする。
• 学習： モデルは、予測された熱流束と、モンテカルロ・シミュレーションによって生成されたグラウンドトゥルースとの間の平均二乗誤差（MSE）を最小化するように学習される。

データセット生成

ベンチマークとなる2次元放射輸送問題が構築され、学習およびテストデータの生成に使用された：

• 領域： 参与媒体に埋め込まれた矩形の放射要素を含む、周期境界条件を持つ正方形領域。
• 特性の変化： 空間的に変化する光学特性（$\mu_a, \mu_s, g$）は、ガウス型径方向基底関数の重ね合わせ（背景と局所的なブロブ）を用いて、滑らかな連続場として生成された。
• グラウンドトゥルース： モンテカルロ・シミュレーションを用いて、吸収熱流束マップを生成した。学習セットでは1シミュレーションあたり500,000個のフォトンの使用、テストセットでは高忠実度のグラウンドトゥルースを確保するために5,000,000個のフォトンの使用を行った。
• スペクトル解析： MC解とFNO予測の両方に離散フーリエ変換を適用し、空間周波数成分とノイズ特性を分析した。

主要な結果

パフォーマンスとスケーリング

• データおよびモデルのスケーリング： モデルは、約120シミュレーションまでのデータサイズに対して冪乗則スケーリングを示すが、その後は性能が飽和し、モデルサイズ制限のレジームへ移行することを示している。FNOの幅（パラメータ数）を8以上に増やしても収益は減少しており、これは高幅のモデルがデータ制限の状態にあることを示唆している。
• ノイズへの堅牢性： 低いフォトン数で学習すると、確率的なMCノイズに過学習する。しかし、フォトン数が増加するにつれて、テスト損失は安定する。FNOは、物理的に意味のある低〜中周波数スペクトルを保持しながら、学習データに含まれる高周波ノイズをフィルタリングする能力を示した。

計算加速

• 学習済みのFNOは、同等の誤差レベルにおいて、モンテカルロ・シミュレーションと比較して最大26倍の計算加速を達成した。
• FNOは、同等の計算コストではMCよりも低い誤差を提供し、あるいは同等の誤差に対して大幅に低いコストを実現する。

離散化不変性

• 汎用性： 特定の格子解像度（例：$64 \times 64$）で学習されたモデルは、再学習なしに、より粗い格子（$32 \times 32$）やより細かい格子（$128 \times 128, 512 \times 512$）上の熱流束を正確に予測できる。
• 解像度の要件： FNOは離散化不変であるが、基礎となる物理的特徴を捉えるためには、学習時の解像度が十分に精緻である必要がある。粗い格子（$32 \times 32$）で学習されたモデルは、より細かい格子でテストした際に大幅な誤差増加を示した。対照的に、$64 \times 64$ および $128 \times 128$ で学習されたモデルは、より高い格子解像度でテストした場合でも、予測誤差の増加が著しく低かった。
• エネルギー保存： FNOは、学習中にエネルギー保存を明示的に強制していないにもかかわらず、異なる格子解像度間で高いエネルギー保存精度（$128 \times 128$ 学習モデルで最大誤差0.63%）を維持した。

スペクトル解析

• スペクトル解析により、FNOは高フォトン数MC解と同一の、物理的に意味のある構造である低〜中周波数エネルギーを保持していることが明らかになった。
• FNOは、モンテカルロの統計的ノイズに関連する高周波エネルギー（ナイキスト領域）を大幅に抑制する。これは、モデルがノイズの実現値を記憶しているのではなく、真の解演算子を学習していることを示している。
• 限界： FNOは、幾何学的境界や体積光学特性の急激な変化といった、既知の不連続部における高周波イベントの捕捉に苦慮する。

意義と主張

著者は、本研究が、高速、正確、かつ離散化不変な放射伝達のサロゲートソルバーとして、フーリエ・ニューラル・オペレーターの可能性を実証したものであると主張している。固定された画像対画像のマッピングではなく、基礎となる解演算子を学習することにより、FNOのアプローチは、様々な幾何学、離散化、および境界条件を扱うことができる、汎用的なサロゲートモデルの開発へと前進している。

本研究は、FNOアーキテクチャが、結合された熱流体問題や最適化など、繰り返しの評価を必要とするアプリケーションにおいて、放射伝達シミュレーションの計算負荷を軽減するための有望な基盤を提供することを強調している。異なる空間解像度間で再学習なしに汎用できる能力は、従来のCNNベースのアプローチにおける主要な制限事項に対処するものである。

今後の方向性

論文は、主張を過度に広げることなく、具体的な今後の方向性を概説している：

1. 角度およびソースの拡張： 多様な境界条件（拡散、鏡面反射）を扱うために、角度入力/出力（例：放射源項、境界条件、および強度）を含むアーキテクチャの拡張。
2. ソースの重ね合わせ： RTEの線形性（線形ボルツマン方程式）を活用し、異なるソースタイプ（例：表面放射 vs 体積放射）に対して個別のネットワークを学習させ、それらの出力を重ね合わせることで、モデルサイズと学習データを削減できる可能性がある。
3. 物理学の統合： 離散化された放射強度を予測するようにモデルを訓練し、離散速度法を適用して物理法則を強制し、残差を計算することで、物理的制約や誤差推定を組み込むこと。