技術要約：ニューラル行列演算子（NEMO）によるリアルタイム逆解法

問題設定

本論文は、未知のソース（強制項、初期条件、または境界条件など）を持つ偏微分方程式（PDE）に従う物理システムの、高速かつリアルタイムなデータ同化における課題に対処している。これらのシステムは、科学、工学、医学における「デジタルツイン」アプリケーションにおいて極めて重要であり、そこではリアルタイムの予測と制御が求められる。

核心となる困難さは、従来の物理ソルバーを用いて関連する逆問題をリアルタイムで解くことが計算量的に不可能であることにある。具体的には、本論文は以下の特性を持つクラスの問題を対象としている：

• モデルパラメータ $m$（風速、材料特性など）に対して非線形にパラメータ化されている。
• 反転パラメータ $q$（未知のソース）に対して線形にパラメータ化されている。

観測値 $d$ とパラメータの関係は、パラメータ・トゥ・オブザーバブル（p2o）演算子 $F(m)$ によって支配される。従来のアプローチでは、$F(m)$ またはその随伴（adjoint）を新しいデータインスタンスごとに評価するために、高価なPDEを繰り返し解く必要があり、これがリアルタイムの反転を不可能にしている。さらに、既存のニューラル演算子手法の多くは、逆問題を一般的な非線形最適化タスクとして扱っており、閉形式の解や効率的な不確実性定量化に必要な物理的構造を欠いている。

手法：ニューラル行列演算子（NEMO）

著者らは、特定のパラメータに対する演算子の作用を学習するのではなく、モデルパラメータ $m$ から p2o 演算子 $F(m)$ を直接学習するように設計された、低次元基底ニューラル演算子アプローチである NEMO (NEural Matrix Operator) を提案している。

1. 低次元基底定式化

本手法は、反転パラメータ $q$ とモデルパラメータ $m$ の両方に対して低次元基底表現を利用する。これら無限次元の関数を低次元部分空間（正規直交基底 $\Phi_r$ および $\Psi_r$ を使用）に投影することで、問題は係数ベクトル $q_r$ および $m_r$ に関する問題へと再定式化される。

• 演算子 $F(m)$ は、低次元部分空間における行列として近似される。
• 逆問題は、部分空間における最小二乗問題へと変換され、これは閉形式の解を持つ。

2. ニューラル演算子の学習

典型的なニューラル演算子（DeepONetなど）のように関数対関数の写像を学習するのではなく、NEMOは低次元モデルパラメータから低次元演算子行列への写像を学習する：
$$\mathcal{F}_\theta: \mathbb{R}^{r_m} \to \mathbb{R}^{d \times r_q}$$
ここで、$r_m$ と $r_q$ は $m$ と $q$ の低次元基底の次元であり、$d$ は観測数である。ニューラルネットワーク $\mathcal{F}_\theta$ は、予測された低次元演算子と、PDEソルバーによって計算された真の低次元演算子との間のフロベニウスノルム誤差を最小化するように訓練される。

3. リアルタイム反転と不確実性定量化

一度訓練されると、新しいモデルパラメータ $m$ に対して、NEMOネットワークは近似低次元演算子 $\mathcal{F}_\theta(m_r)$ を出力する。逆解 $q^\ddagger_r$ は、以下の閉形式の最小二乗方程式を通じて計算される：
$$q^\ddagger_r = [\mathcal{F}_\theta(m_r)^* \Gamma^{-1} \mathcal{F}_\theta(m_r) + \gamma I_r]^{-1} \mathcal{F}_\theta(m_r)^* \Gamma^{-1} d$$
この定式化は、2つの主要な利点を提供する：

• 速度： 計算複雑度は $O(d r_q^2 + r_q^3)$ であり、PDEの離散化次元には依存しない。
• 不確実性定量化 (UQ)： ガウスノイズモデルの下で、解の事後共分散は目的関数の逆ヘッセ行列として閉形式の表現を持つ。これにより、反復的なサンプリング（例：MCMC）を行うことなく、リアルタイムの確率論的解析が可能になる。

主な貢献

1. リアルタイム手法： 非線形にパラメータ化された最小二乗解を介して、PDEに支配されるシステムの未知ソースに関する逆問題を解くための、新しいフレームワーク。これはリアルタイムでの計算が可能である。
2. ニューラル行列演算子： 観測値からパラメータへの直接的な逆写像ではなく、演算子行列そのものを出力する特定のニューラル演算子アーキテクチャ。これにより、問題の線形構造が保持される。
3. 理論的保証： NEMOの反転誤差が演算子近似誤差と一致すること、および滑らかな写像における次元独立性を実証する支持理論。

実験結果

著者らは、2つの実世界のアプリケーションにおいてNEMOを検証した。

1. 汚染物質輸送の初期条件特定

• タスク： 希薄なセンサーデータを用い、未知の風速場（$m$）を伴う大学キャンパス上の空中汚染物質の初期条件を特定する。
• セットアップ： 108万自由度（DOF）を持つ移流拡散方程式。低次元基底の次元は $r_m=3$（風速）、$r_q=50$（初期条件）、$d=150$（観測）。
• 性能： NEMOは、PDEソルバーを介して低次元演算子を計算する場合と比較して、45,000倍以上の高速化を達成した（0.012秒 vs 541秒）。逆解の品質は真の低次元演算子による解とほぼ同一であり、訓練データが増えるにつれて誤差が減少した。

2. 極超音速航空力学的圧力推定

• タスク： 温度によって変化する材料特性（$m$）を伴う、構造歪み測定からの極超音速機表面圧力荷重の推定。
• セットアップ： 461,664自由度の準静的弾性応答。低次元基底の次元は $r_m=3$（温度）、$r_q=20$（圧力）、$d=108$（センサー）。
• 性能： NEMOは900倍以上の高速化を達成した（0.006秒 vs 5.6秒）。この手法は、観測ノイズがある場合でも低い相対誤差を維持しつつ、オンボードの誘導制御に必要な100 Hzのリアルタイム要件を満たした。

最先端技術との比較

• フォワードサロゲート（例：MIONet）との比較： MIONet（マルチ入力ニューラル演算子）はフォワードマップを学習できるが、逆問題を解くにはオンラインでの非線形最適化（L-BFGS）が必要となる。NEMOは、反復的な最適化を回避することで、MIONetベースの反転に対して10倍から50倍以上の高速化を提供した。
• 直接的な逆写像との比較： 観測値からパラメータへの写像を直接学習する手法（逆MIONet）は、適応性が低い。そのようなモデルは、再学習なしには異なるノイズレベルや正則化パラメータに調整できない。一方、NEMOは、訓練後に正則化パラメータ $\gamma$ を原理に基づいて調整できる。
• 不確実性定量化： 一般的なニューラル演算子がUQのために反復的なサンプリングを必要とするのに対し、NEMOは明示的な閉形式の事後共分散行列を提供する。

意義と主張

本論文は、NEMOが複雑なPDEシステムに対するリアルタイムのデータ同化を可能にすることで、デジタルツインの展開に向けた重要な進展であることを主張している。主な意義は以下の通りである：

• スケーラビリティ： 本手法は、オンラインの計算コストを高次元のPDE離散化から切り離し、低次元の低次元基底に依存させている。
• 物理的一貫性： 直接的な逆写像ではなく演算子行列を出力することで、NEMOは物理的な線形構造を保持し、閉形式の解と厳密な不確実性定量化を可能にする。
• 実用的な生存能力： 実証された高速化（数桁のオーダー）と、リアルタイム制約（極超音速における100 Hzなど）への対応能力は、従来のソルバーが実行不可能なエッジコンピューティングや重要な制御アプリケーションへの適用可能性を示している。

著者らは、このアプローチが演算子の低ランク近似の妥当性に依存しており、$m$ が既知であるか外部から推定されていることを前提としていると述べている。今後の課題として、$m$ に対する非線形エンコーディングの探索や、$m$ の不完全な知識によって導入される誤差の分析が挙げられている。