技術要約: FLARE – 局所軸角表現を用いた確率的マイクロマグネティック進化のためのフローマッチング

問題定義

長時間のマイクロマグネティック・シミュレーションは、従来のソルバー（例：MuMax3, OMFF）や既存の学習済みモデルが通常、ランダウ＝リフシッツ＝ギルバート（LLG）方程式をステップごとに伝播させる必要があるため、計算コストが非常に高い。学習済みモデルは、特殊な磁気タスク、逆問題、または決定論的な予測には適用されてきたが、フルフィールドかつ直接的なホライゾン（時間軸）を持つ確率的予測への対応には大きく失敗している。具体的には、逐次的な積分を行うことなく、物理的なホライゾンにわたって起こり得る磁化状態の分布を生成しつつ、磁化固有の幾何学的制約（球面上での単位ノルム）を遵守できる手法が欠如している。

手法: FLAREフレームワーク

著者らは、フローマッチング（Flow Matching）に基づく条件付き生成フレームワークであるFLAREを提案する。これは、確率的な有限時間磁化予測を、局所回転空間における輸送問題として再定式化するものである。

1. アンカー相対的な局所軸角表現

絶対的なデカルト座標の変位（これは磁化ベクトルの単位ノルム制約を破る）を予測する代わりに、FLAREは、アンカー磁化場（$m_s$）からターゲット場（$m_t$）への遷移を、局所的な軸角回転の場としてモデル化する。

• エンコーディング: 各空間セルにおいて、遷移は現在の配向 $m_{s,i}$ に対する回転ベクトル $\omega^*_i$ としてエンコードされる。その大きさは回転角を表し、方向は回転軸を表す。
• デコーディング: 予測された回転場は、**ロドリゲスの公式（Rodrigues' formula）**を用いて磁化空間へとマッピングされる。この構成により、事後的な正規化を行うことなく、結果としての磁化ベクトルが点ごとに単位ノルムを維持することが数学的に保証される。
• コーナーケース: 磁気モーメントがほぼ同一である場合は一次近似を用い、ほぼ対蹠（たいせき）配置に近い構成に対しては、決定論的な接線軸 $\pi$ 回転近似を適用する。

2. 回転空間における条件付きフローマッチング

FLAREは、これらの回転場の分布を学習するために、条件付きフローマッチング目的関数を採用している。

• 条件付きパス: 回転空間において、直線的な条件付きパス $\Omega_\tau = (1-\tau)\Omega_0 + \tau\Omega^*$ が構築される。ここで、$\Omega_0$ はガウス源、$\Omega^*$ はターゲット回転場である。
• ネットワークアーキテクチャ: セルフアテンションを備えたU-Netが、アンカー磁化、回転状態、および空間的に解像された条件（幾何形状、局所駆動磁場）の結合入力を処理する。グローバルな条件（フロー時間 $\tau$、物理的ホライゾン $\Delta t$、および制御パラメータ）は、AdaGroupNormを介して注入される。
• 学習目的: ネットワークは、予測速度場 $v_\theta$ とターゲット速度 $u_\tau = \Omega^* - \Omega_0$ の間の平均二乗誤差を最小化する。
• 推論: 推論時、モデルはODEサンプラー（Heun法）を用いて学習されたベクトル場を回転空間で積分し、最終的な回転場を生成した後、それをデコードして最終的な磁化状態を得る。

3. マルチセグメント生成

複雑なプロトコル（制御の変化を伴うもの）を扱うために、FLAREは再帰的な合成をサポートしている。あるセグメントで生成された終点が、次のセグメントのアンカーとして機能するため、中間的なLLG積分を行うことなく、複数のターゲット時間にわたって確率的な終点を生成することが可能となる。

4. 評価指標

確率的なダイナミクスには、点ごとの誤差ではなく分布の比較が必要であることを認識し、著者らは以下の**分布スコア（Distribution Score）**を導入した。

• 局所平行移動マッチング: ドメインウォールや渦の小さな空間的シフトを考慮するため、フィールドをパッチに分割し、類似性を計算する前に限定的な平行移動探索を用いてマッチングを行う。
• 密度推定: モデルが生成したサンプルと参照となるMuMax3の分布を比較し、生成された結果の分布の忠実度を測定する。
• 追加の指標: サンプルレベルの誤差とアンサンブル分布の品質を評価するために、角度エネルギー距離（Angular energy distance）および適切なフェアエネルギースコア（fair energy score）が使用される。

主な貢献

1. アンカー相対的な回転場輸送: アンカーに対する局所的な回転座標（軸角回転場としてインスタンス化されたもの）を用いて、確率的な有限時間磁化遷移を定式化した。このアプローチは、デカルト座標による輸送に対する回転座標の優位性を分離している。
2. 直接的な確率的終点生成: 決定論的な逐次的な物理時間伝播の代替案として、ホライゾン条件付き生成を導入し、制御が変化する場合の未知のホライゾンや自己生成アンカーに対する汎化性能を実証した。
3. 統一された評価フレームワーク: サンプルレベルのフィールド誤差、アンサンブル分布の忠実度、物理的観測量の分布、および完全な出力レイテンシを共同で測定する新しいフレームワークを開発した。

実験結果

モデルは、様々な電流マスクファミリー、温度、初期テクスチャをカバーする、MuMax3によって生成された7,770個の軌跡を含む有限温度マイクロマグネティック・データセットを用いて評価された。

• 分布の忠実度: 最も強力な単一チェックポイント外部ベースライン（CNO-FM, Poseidon-T, NeuralMAGを含む）に対し、FLAREは以下を達成した：
  • 29.9% 低い角度エネルギー距離（CNO-FMの21.82°に対し、15.30°）。
  • 37.3% 低いフェアエネルギースコア（NeuralMAG-x5の0.627に対し、0.393）。
  • 0.762 の分布スコアを記録し、他のすべての学習済みベースラインを上回った。
• 高速化: 代表的な5-nsの2セグメント・プロトコルにおいて、FLAREは単一GPU上でMuMax3に対して3,062倍のベストバッチ高速化（バッチサイズ1では448倍）を達成した。
• 汎化性能: モデルは、ゼロショット補間を通じて、未知の電流マスクファミリー（リングマスク）や未知の温度（90 Kおよび225 K）に対して堅牢な汎化性能を示し、角度誤差の低下は最小限であった。
• アブレーション研究: 得られた利得は、単なるフローマッチングの目的関数や次元数によるものではなく、アンカー相対的な回転座標および明示的な物理ホライゾン条件付けによって駆動されていることが実験で確認された。

重要性と限界

重要性:
本論文は、アンカー相対的な回転座標が、条件付き将来状態分布として有限温度のマイクロマグネティック・ダイナミクスをモデル化する上で効果的であるという証拠を提示している。これは、従来のソルバーよりも大幅な高速化を実現しつつ、高い分布忠実度を維持しながら、直接的な確率的終点生成の新しいパラダイムを確立するものである。このフレームワークにより、逐次的なステップ積分を行うことなく、物理的ホライゾンにわたるフルフィールドの確率的結果を生成することが可能となり、決定論的または逐次的な学習手法が残してきた空白を埋めている。

限界:
著者らは、以下の制限事項を明示している：

1. 誤差の累積: 逐次的な合成（sequential composition）は、予測された状態の受け渡しにおいて追加の誤差を導入する。混合ロールアウト状態の露出（mixed rollout-state exposure）は、グラウンドトゥルースのみの継続と比較して優れた結果を示さなかったため、長期的なマルチセグメント合成は蓄積誤差に対して敏感である。
2. データ領域: 結果は、特定の材料システム（界面Dzyaloshinskii–Moriya相互作用を持つもの）および限定的な温度、磁場、幾何形状に特化している。他の材料やダイナミクス領域へ拡張するには、新たなトレーニングデータが必要である。
3. 次元数: 実験は二次元の薄膜マイクロマグネティクスおよび有限の予測ホライゾンに限定されている。3Dシステムおよびより広範な分布への拡張は、今後の課題として特定されている。