S$^{2}$-PINN: Stochastic Separable Physics-Informed Neural Networks

エンジニアリングや気候科学の世界において、未来を予測することは、決して単純な確実性の問題ではありません。科学者が、金属梁を通じて熱がどのように広がるか、土壌を通じて水がどのように濾過されるか、あるいは飛行機の翼の周囲で空気がどのように渦巻くかをモデル化する際、入力値が完全に既知ではないという事実を考慮しなければなりません。ある場所では材料がわずかに粗かったり、風が予想よりもわずかに強く吹いたりすることがあります。これらの小さな、ランダムな変動は方程式を通じて波及し、単一の固定された答えではなく、膨大な可能性の雲を作り出します。リスクを理解するために、エンジニアは最も可能性の高い結果だけでなく、起こりうる全範囲とその各結果の発生確率を知る必要があります。不確実性定量化（Uncertainty Quantification）として知られるこの分野は、安全な橋、信頼できる医療機器、正確な気候モデルを設計するために不可欠です。しかし、これらの確率を計算することは、歴史的に見て極めて困難な作業でした。従来のメソッドでは、全体像を描き出すために、ランダムな入力をそれぞれ少しずつ変えながら、同じ複雑なシミュレーションを数千回実行する必要があることがよくあります。不確実な要因が増えるにつれて、必要な計算能力は爆発的に増大し、現在利用可能なツールでは解決できないほど多くの現実世界の課題を生み出してしまいます。

リーハイ大学の研究チームは、解決策の構築方法を根本から変えることで、この計算上のボトルネックに対処する新しいアプローチを導入しました。彼らは「S2-PINN」と呼ばれるシステムを開発しました。これは「Stochastic Separable Physics-Informed Neural Network（確率的分離型物理情報ニューラルネットワーク）」の略称です。この手法は、空間、時間、そしてランダム性がすべて混ざり合った巨大で絡まり合ったウェブとして問題を扱うのではなく、解決策を3つの明確で管理可能な断片に分解します。解決策をタペストリーだと想像してみてください。色、時間、場所のすべての糸を一つの密なブロックとして織り込むのではなく、研究者たちはそれらの糸を、物理的な空間のためのもの、時間の経過のためのもの、そしてランダムな変動のためのものの3つの明確な束へと分離しました。これらの束は、全体の糸の数を少なく保つような特定の効率的なパターンを用いて、再び織り合わされます。この分離により、コンピュータは膨大な計算量に足を取られることなく、ランダム性を処理できるようになります。

この新しいシステムの核となるのは、調和して機能する3つの特化したツールの巧妙な組み合わせです。第一に、問題の幾何学的形状に適応するように、空間における解の形状を記述する柔軟な構成要素を使用します。第二に、音楽家がメロディを表現するために音符を用いるのと同様に、解が時間とともにどのように変化するかを追跡するためのリズムに基づいた特徴量を用います。第三に、そして不確実性の側面において最も重要なこととして、ランダムな変動を表現するための標準的な形状の数学的ライブラリを使用します。これら3つのツールセットは、空間、時間、ランダム性のあらゆる組み合わせに対して個別の膨大な計算を必要とすることなく、同期を保つためのコンパクトな低ランクコネクターによって連結されています。システムは二重のプロセスによって訓練されます。すなわち、あらゆる点において解が物理の基本法則に従っていることを確認し、さらに、ランダム性の統計的パターンが期待される挙動と一致していることを確認することです。この二重のチェックは厳格な品質管理として機能し、モデルが物理的に正確であり、かつ統計的に妥当であることを強制します。

研究者がこの新手法を幅広い困難な問題に対してテストしたところ、驚くべき結果が得られました。彼らは熱拡散、流体流、化学反応のモデルを含む4種類の異なる物理システムに対してシミュレーションを実行しましたが、これらはいずれもランダムな入力を伴うものでした。あらゆるケースにおいて、この新手法は、平均的な結果と起こりうる結果の広がりに関する予測において、他の9つの主要な手法よりも高い精度を実現しました。この高レベルの精密さを達成しながら、計算リソースを大幅に削減することにも成功しました。ある比較では、新しいモデルは標準的な従来のニューラルネットワークよりも約30倍少ない調整パラメータを使用しました。この効率性は、多くのランなる要因を持つ問題に対しても、コンピュータをクラッシュさせることなくスケールアップできることを意味するため、非常に重要です。研究者たちは、最大50個の異なるランダム変数を用いてシステムを限界まで押し広げ、標準的なアプローチでは通常オーバーウェルム（圧倒）されてしまうような複雑さのレベルまでテストを行いました。このような極端なテストにおいても、この手法は安定性と正確さを維持していました。

この研究では、予測される答えが事前に判明していない問題、例えば透水性が予測不可能な岩石を通る水の流れの予測などにおいて、このアプローチが機能するかどうかも調査されました。ここでも、この手法は伝統的な技術を凌駕し、平均的な流量と、その周囲の不確実性の両方について信頼できる推定値を提供しました。さらに、研究者たちはこのシステムが逆方向に作用できることも実証しました。単に既知の条件下での結果を予測するだけでなく、観測されたデータを見て、材料自体の隠れたランダムな特性を特定するために、後ろ向きに考えることができるのです。この「逆問題」を解く能力は、インフラの欠陥の検出や地下貯留層の特性評価など、現実世界のシナリオにおいて未知の材料特性を特定するための、この手法の活用への扉を開きます。

最も重要な発見の一つは、ランダム性と物理学の関係をこの手法がどのように扱うかという点でした。研究者たちは、ランダムな変動が滑らかで予測可能なパターンに従う場合、モデルの統計的部分が強力なガイドとして機能し、予測の精度を研ぎ澄ますことを発見しました。しかし同時に、ランダム性が極めて不規則であるか、あるいはモデルが使用する標準的な形状に適合しないパターンに従っている場合、統計的ガイドが時としてわずかなバイアスを導入する場合があることも分かりました。これはシステムの失敗ではなく、ランダムの性質を調整する必要があるか、あるいはモデルの形状ライブラリを拡張する必要があるという明確なシグナルなのです。この透明性により、エンジニアは問題が深刻化する前に潜在的な問題を診断することができ、これはしばしば他の「ブラックボックス」型のAIモデルに欠けている機能です。

この研究は、不確実性を伴う複雑な物理的問題の解決に対する考え方の転換を意味しています。空間、時間、そしてランダム性を、別々でありながらも連結された要素として扱うことで、研究者たちは数学的にエレガントであり、かつ計算効率の高いフレームワークを作り上げました。これは、膨大な量の事前収集データに依存することも、数千回のシミュレーションを力任せに繰り返すことも必要としません。代わりに、物理の法則とランダム性の性質から、直接的に問題の構造を学習します。この手法は、あらゆる問題を即座に解決する魔法の杖ではありませんが、幅広い科学的および工学的課題に対して、堅牢でスケーラブルなツールを提供します。研究者たちはコードを公開しており、他の人々がこの基盤の上に構築していくことを歓迎しています。エネルギー、気候、材料科学における課題がますます複雑化する世界において、不確実性を効率的かつ正確に定量化する能力は、今後ますます重要になるでしょう。そして、この新しいアプローチは、前進するための有望な道筋を示しています。