Full-Field State Estimation from Sparse Point Sensors via Adaptive  Data-Driven Modeling and Sequential Data Assimilation for Nonlinear Dynamical Systems

大陸全体の天気を予測しようとしていると想像してみてください。しかし、手元にあるのは、ランダムな町々に点在するわずかな温度計だけです。これは、海洋循環、血管内の血流、あるいはジェットエンジンの熱拡散といった複雑なシステムを監視している科学者やエンジニアが日々直面している苦闘です。彼らは、それらのシステムがどのように機能すべきかという物理学を知っています。しかし、現実世界の測定値はしばしばまばらで、ノイズが多く、不完全です。それは、いくつかのピースしか持っておらず、しかもそのいくつかが汚れてしまっている状態で、巨大なジグソーパズルを完成させようとするようなものです。

これを解決するために、科学者は通常、2つの主要なツールを使用します。第一に、彼らは「モデル」を使用します。これは、システムが時間の経過とともにどのように進化するかを予測する、数学的なレシピのようなものです。第二に、「データ同化」を使用します。これは、少数のセンサーから得られる新しい測定値に基づいて、予測を絶えず微調整するという、少し凝った言い方です。しかし、これらの伝統的なレシピは、システムが複雑すぎたり、非線形であったり（つまり、小さな変化が巨大で予測不可能な影響を及ぼしたりする場合）、あるいはレシピ自体の前提が間違っていたりする場合、しばしば失敗します。大きな疑問は、「完璧な物理学を事前に知ることなく、実際に持っている、乱雑でまばらなデータから直接『レシピ』を学ぶことができるのか？」ということでした。

この論文は、答えは「イエス」であると述べています。そして、決して学習を止めない探偵のように、巧妙で自己修正機能を持つパイプラインを構築することで、それを実現しています。ウィスコンシン大学ミルウォーキー校のソウビック・ロイ氏率いる研究チームは、ごくわずかなセンサーのみを使用して、システムの完全で高精細な状態を復元できる、完全にデータ駆動型のフレームワークを開発しました。彼らはこれを、シミュレーションされた熱伝導方程式、シミュレーションされた流体流（Burgers方程式）、そしてNOAAの実際の海洋海水温データの3つのシナリオでテストしました。彼らの手法は、3つのトリックを組み合わせています。まず、疎なデータからパズルの欠けている部分を推測するために「圧縮センシング」を用い、次に「制御付き動的モード分解（DMDc）」を用いてシステムの動きを学習し、最後に「カルマンフィルタ」を用いて、新しいデータが入ってくるたびに推測を絶えず修正します。

秘訣となるのは、このシステムが一度学習して終わるのではないということです。著者らは、モデルを更新せずに長く走らせすぎると、モデルがドリフト（逸脱）し始め、答えを間違えてしまうことを見出しました。これを解決するために、彼らは2つの適応型機能を追加しました。第一に、モデルは直近のデータを用いて定期的に「再校正」を行い、現在のシステムの挙動に適合するように調整されます。第二に、統計ツールである「DCC-GARCH」を使用して、自身の予測とノイズの多いセンサーデータのどちらをどの程度信頼すべきかという「信頼レベル」を絶えず更新します。シミュレーションにおいて、このアプローチにより、利用可能なセンサーのわずか0.5%しか使用せず、非常にノイズの多い測定値（信号対雑音比5 dB）を扱っている場合でも、高精度で全領域の状態を再構成することができました。結果は、静的なモデルは最終的に失敗する一方で、この適応型の自己修正システムはエラーを低く抑え続け、複雑で非線形なダイナミクスであっても、モデルが即座に学習し適応すれば、非常に少ないセンサーで追跡可能であることを証明しました。

探偵の道具箱：仕組み

これがどのように機能するかを理解するために、監視しようとしているシステムを、巨大で見えない熱や流体の海だと想像してみてください。私たちは海全体を見ることはできませんが、特定の場所の温度や速度を報告する、いくつかの浮遊ブイ（センサー）を持っています。

ステップ1：空白を埋める（圧縮センシング）
最初の課題は、データがわずかな地点からしか得られないことです。その地点だけを見ても、非常にぼやけた画像になってしまいます。著者らは「圧縮センシング」と呼ばれる手法を使用しています。これは、画像に何らかの基礎となるパターンがあれば、散らばった数少ないピクセルから画像全体を再構成できる、手品のようなものです。この場合、「パターン」とは、データが特定の数学的な言語（この論文では、熱や温度のような滑らかな場に適した離散コサイン変換）を用いて効率的に表現できるということです。アルゴリズムは、疎でノイズの多いセンサーの読み取り値を取り込み、その瞬間の全フィールドがどのようになるかを推測するためにパズルを解きます。これは、いくつかの点が特定の図形に属していると分かっているために、ページ上のいくつかの点を見て、残りの絵を描き出すようなものです。

ステップ2：ダンスを学ぶ（DMDc）
アルゴリズムがトレーニング期間中の「完全な」画像（スナップショット）を得たら、次はシステムがどのように動くかを学ぶ必要があります。ここで「制御付き動的モード分解（DMDc）」が登場します。ダンサーを観察することを想像してください。次の動きを予測するために、筋肉や重力の物理学を知る必要はありません。ただ、しばらく踊っている姿を見て、パターンを学べばよいのです。DMDcもまさにこれを行います。一連の「完全な画像」のシーケンスを見て、システムが次の瞬間へとどのように進化するかを記述する、単純な線形ルールを学習します。「制御」の部分は、外部からの力（ヒーターがオンになったり、風が吹いたりすること）がダンスをどのように変えるかをも学習することを意味します。決定的なのは、これがすべてデータから行われるということであり、コンピュータは物理学の支配方程式を知らされる必要はありません。

ステップ3：絶え間ない修正（カルマンフィルタリング）
これで、モデルは未来を予測できるようになります。しかし、ここに落とし穴があります。モデルは近似であり、センサーにはノイズがあります。もしモデルが温度は20℃になると予測し、センサーが22℃だと言った場合、どちらを信じるべきでしょうか？ここでカルマンフィルタが登場します。それは賢明な審判として機能します。モデルの予測と新しいセンサーの読み取り値を天秤にかけます。センサーが非常にノ密であれば、モデルの方をより信頼します。センサーがクリアであれば、センサーの方をより信頼します。そして、現在の状態の推定値を更新します。これは「予測、測定、修正、繰り返し」というループで行われます。

逆転劇：なぜ「設定して放置」では失敗するのか

この論文は、より単純な試みとこの研究を分かつ重要なポイントを指摘しています。それは、「一度学習したモデルは、長い時間には十分ではない」ということです。

最初の100秒間のデータでモデルを訓練し、その後、手を触れずに1,000秒間走らせると、誤差は増大します。システムが挙動を変えたり、初期のトレーニングでは捉えられなかった方法で「ダンス」が進化したとしても、モデルはついていけません。著者らは、静的なモデル（ルールが変わらないもの）は、特に混沌とした非線形システムにおいては、時間の経過とともに現実から大きく逸脱していくことを発見しました。

これを解決するために、彼らは2つの適応メカニズムを導入しました。

1. 時間適応型再校正： 同じ「ダンスのステップ」を永遠に使い続けるのではなく、システムは定期的に停止し、収集した最新のデータ（カルマンフィルタによる修正を含む）を見て、ルールを再学習します。これは、曲を練習しているミュージシャンが、演奏中にテンポが変わったことに気づき、演奏を続ける前に新しいテンポに基づいて楽譜を学び直すようなものです。これにより、モデルが時代遅れの現実に取り残されるのを防ぎます。
2. 適応型不確実性（DCC-GARCH）： これが最も洗練された部分です。標準的なカルマンフィルタでは、モデルの予測にどの程度の「ノイズ」や不確実性が存在するのかを予測しなければなりません。通常、エンジニアは固定の数値を設定して、うまくいくことを祈ります。しかし、複雑で変化するシステムにおいて、不確実性は固定されておらず、変動します。著者らは、DCC-GARCHという統計ツールを使用して、フィルタがリアルタイムで自身の信頼度を学習できるようにしました。これは、モデルが犯した最近の「間違い（残差）」を観察し、それに応じて信頼度を調整します。モデルが大きな間違いを犯し始めると、フィルタはモデルに対して懐疑的になり、センサーをより信頼するようになります。モデルが順調であれば、モデルをより信頼します。

結果：彼らが発見したこと

著者らは、この「適応型探偵」を3つの全く異なる課題でテストしました。

• 非線形熱伝導方程式： 温度勾配に基づいて熱伝導率が変化する材料内での熱の広がりをシミュレート。
• 強制Burgers方程式： 外部からの力によって駆動される、衝撃波や乱流を伴う流体の流れをシミュレート。
• NOAA 海面水温（SST）： 乱雑でノイズが多く、単純な「制御入力」が存在しない（自然に進化する）現実世界の海洋温度データ。

知見：

• まばらでも十分： センサーが空間領域のわずか**0.5%**しかカバーしていない（つまり、99.5%の領域が観測されていない）状態でも、システムは高い精度で全フィールドを再構成できました。
• ノイズへの耐性： センサーデータが非常にノイズが多い場合（信号対雑音比 5 dB）でも、システムは安定していました。熱伝導方程式では、5 dBでの誤差（RMSE）は3.08でしたが、データがよりクリーンな20 dBでは1.48まで低下しました。Burgers方程式では、5 dBで0.058、20 dBで0.032でした。
• 適応の力： 最も重要な発見は、静的なモデルと適応型モデルの比較でした。
  • 再校正を行わないモデル（DMDcのみ）は、誤差が時間の経過とともに急速に増大しました。
  • カルマンフィルタを使用しているが、ルールを更新しないモデル（DMDc-KF）は改善されましたが、依然としてドリフトが発生しました。
  • 完全に適応型のモデル（再校正とDCC-GARCHを備えたもの）は、誤差を低く、安定した状態に保ちました。熱伝導方程式において、全適応型モデルの総相対誤差は、未観測の推定期間全体を通じて**5%**未満に抑えられましたが、非適応型のバージョンは精度を維持できませんでした。
• センサー密度： システムは非常に少ないセンサーでも機能しましたが、センサーを増やすことで当然ながら精度は向上しました。しかし、重要な教訓は、モデルの「適応的」な性質によって、極めて疎な構成であっても良好に動作できたという点です。

これが何を意味するか（そして何を意味しないか）

この論文は、複雑なシステムを監視するために、必ずしも完璧な物理方程式を知る必要はないことを示しています。データを直接使ってダイナミクスを学習させ、さらに自身のルールと信頼度を絶えず更新させることで、鮮明で完全なフィールドの姿を得ることができるのです。

しかし、著者らはその限界についても注意深く述べています。これはシミュレーションおよびデータ駆動型の研究であり、実際のジェットエンジンや海洋で行われた物理実験ではありません。

• 訓練要件： 「圧縮された」表現を学習するために、初期のトレーニングフェーズではかなりのデータ（ドメインの**10%から30%**程度）を依然として必要とします。ゼロからスタートすることはできません。
• 固定センサー： 現在の手法は、センサーが固定された位置にあることを前提としています。移動するセンサー（周囲を飛行するドローンなど）にはまだ対応していません。
• タイムステップ： モデルは、トレーニングデータの時間間隔と同じ間隔で予測を行います。例えば、日次データから12時間後の状態を魔法のように予測することはできません。

要約すると、この論文は、非線形な動的システムにとって、「設定して放置」するモデルは失敗へのレシピであることを示唆しています。状態推定の未来は、自分が間違っているかもしれないと認める謙虚さを持ち、間違いから学ぶ賢さを備え、世界が変化するにつれて自身のルールを更新できる柔軟なシステムにあるのです。著者らはそのようなシステムのプロトタイプを構築しており、そのシミュレーションにおいて、驚くほど優れた成果を上げています。