In situ local learning of dynamic network materials

技術要約：動的ネットワーク材料のイン・サイチュ（In Situ）局所学習

問題提起
機能性材料は、伝統的に特定の機能を実現するために、あらかじめ設計された構造に依存してきた。これに対し、物理ニューラルネットワーク（PNN）は、固有のダイナミクスを通じて物理的な入力を出力へと変換する。現在、これら二つのパラダイムの間には大きな隔たりが存在する。既存のアプローチの多くは、微分可能なデジタルツインの「イン・シリコ（in silico）」学習と、その後のハードウェアへの転移を必要とするが、これは製造時の不規則性、ドリフト、およびモデリングの不確実性に起因する「シミュレーションと現実の乖離（simulation–reality gap）」に直面する。さらに、既存の物理学習スキームは、静的な平衡状態、定常的な調和応答、あるいは慣性や減衰を無視した限定的な領域に制限されていることが多い。剛性、質量、および散逸によって応答が共同で形成されるフル・タイムドメインにおいて動作する、動的ネットワーク材料のための一般的な局所学習ルールの欠如がある。課題は、グローバルなデジタルモデルに頼ることなく、材料が自身の物理的ダイナミクスを通じて、動的なタスクから直接機能を獲得できるようにすることである。

手法
著者らは、二次の微分方程式に従う動的ネットワーク材料のためのイン・サイチュ（in situ）局所学習フレームワークを導入する。コアとなるメカニズムは、同一の物理ネットワークに対して二つの異なる駆動を行うことである：

1. フォワード駆動（Forward Drive）： 入力信号 $F(t)$ がネットワークを駆動し、フォワード・トラジェトリ $u(t)$、結合の伸長 $e(t)$、速度 $\dot{u}(t)$、および加速度 $\ddot{u}(t)$ を生成する。
2. 時間反転随伴駆動（Time-Reversed Adjoint Drive）： 実際の出力と目標とする軌跡との間のミスマッチから導出される誤差信号を、時間反転させて同一のネットワークにソースとして適用する。これにより、随伴場 $u_{adj}(t)$ が生成される。

学習ルールは随伴状態原理（adjoint-state principle）から導出される。時間積分された損失関数 $L = \int_0^T \ell[u(t), t] dt$ を定義することで、局所パラメータ（バネ定数 $k$、節点質量 $m$、結合減衰 $b$、および節点減衰 $\beta$）に対する勾配は、フォワード場と随伴場の局所的な積を介して計算される。決定的なのは、タイムドメインのダイナミクスにおける随伴方程式が、時間反転されたソースを持つフォワード方程式と数学的に等価であることであり、これにより物理システム自体が自身の勾配を計算することが可能になる。

更新ルールは厳密に局所的である：

• 結合パラメータ ($k, b$)： 同一箇所にあるフォワードの伸長 $e_j$、伸長速度 $\dot{e}_j$、および随伴の伸長 $e_{adj,j}$ のみが必要である。
• 節点パラメータ ($m, \beta$)： 同一箇所にあるフォワードの速度 $\dot{u}_i$、加速度 $\ddot{u}_i$、および随伴の変位 $u_{adj,i}$ のみが必要である。

このアプローチは、デバイス全体の微分可能なサロゲート（代理モデル）の必要性を排除し、負担をモデルの忠実度から、局所的な相関を露出させる物理プロトコルの設計へと転換させる。

主要な結果
本フレームワークは、同じ学習ルールを用いながら異なる損失関数を適用した、四つの異なるデモンストレーションを通じて検証された：

1. 広帯域波遮蔽（Broadband Wave Cloaking）： ネットワークは、硬く重い障害物の散乱特性を抑制するように訓練された。遮蔽されたシステムのダウンストリーム応答と、障害物がない場合の参照状態との間の平均二乗誤差を最小化することにより、ネットワークは剛性、質量、および減達の不均一な分布を学習した。訓練された材料は、閉形式の変換設計なしに、未知の周波数・位相の組み合わせに対しても汎化し、広帯域にわたるクローキングとして機能した。
2. エバネッセント波イメージング： ネットワークは、近接場オブジェクトのパターン（文字 C, L, T, U, O, X）をイメージ面へとマッピングし、通常は減衰する高空間周波数情報を保持するように訓練された。学習されたパラメータは、エバネッセント成分を利用して高ターゲット相関と焦点精度を実現するレンズを形成した。オブジェクトとレンズの距離が増大した場合、または高空間周波数成分が除去された場合には性能が低下し、このメカニズムが近接場転送に依存していることが確認された。
3. 受動的過渡応答増幅（Passive Transient Output Enhancement）： 剛性と質量を固定した状態で、ネットワークは一定の受動的減衰予算を再分配し、力パルス後の特定の出力ノードにおける過渡的な変位を増幅させた。訓練された非比例減衰分布は、一様減衰や比例（レイリー）減衰制御を大幅に上回った。分析により、この増幅は非正規モード・ダイナミクス（non-normal modal dynamics）から生じることが明らかになった。ここでは、非直交な固有ベクトルによって、減衰モードが建設的に干渉することが可能となる。
4. 母音分類： ネットワークは、時間的分類のための物理ニューラルネットワークとして機能した。三つの母音（/iy/, /ae/, /ei/）の時系列音響波形が機械的な入力としてエンコードされた。ネットワークは、蓄積された機械的エネルギーを特定の母音クラスに対応する特定の出力領域に集中させることを学習し、ホールドアウト・テストセットに対して約86%の精度を達成した。

意義と主張
本論文は、動的ネットワーク材料がプログラマブルな物質および物理ニューラルネットワークの両方として機能するための統一的な経路を提供すると主張している。主な意義は、単一の一般的なイン・サイチュ学習ルールを用いることで、専門知識やタスク固有の設計ルールに頼ることなく、波の制御からイメージング、信号処理、分類に至るまで、多様な物理的機能をプログラムできることを示した点にある。

主な貢献は以下の通りである：

• 物理的バックプロパゲーションの拡張： 静的または定常的な調和領域から、慣性と散逸を学習可能な自由度として組み込んだ、フル・タイムドメインのダイナミクスへと拡張した。
• 局所的物理学習： タイムドメインのタスクに対する勾配は、共配置されたフォワード場と随伴場のみを用いて局所的に計算可能であることを確立した。これは、グローバルな状態測定が困難であるという物理学習の原則と整合するものである。
• リソースとしての散逸： 減衰が単なる寄生的損失ではなく、過渡応答やモード間相互作用を形成するために空間的に再分配できる、学習可能なリソースであることを示した（例：過渡応答増幅のための非正規ダイナミクスの生成）。
• 再プログラム可能性： 同じ物理材料が、局所学習を継続することによって、異なるタスク（例：集束から吸収へ）に対して再訓練可能であることを示した。

著者らは、現在のデモンストレーションが、ハードウェアにおいて測定または推論される必要があるダイナミカルな場（変位、速度、加速度）へのアクセスを前提としていることを認め、実験的な実現に関する控えめな立場を維持している。彼らは、将来の実装においてはハードウェアのノイズ、ドリフト、およびパラメータの物理的な調整可能性に対処する必要があると述べているが、本フレームワークは、時間応答をイン・サイチュで学習する材料のための理論的基礎を提供するものである。