技術要約：構造壁の塑性ヒンジ長予測のための物理情報に基づくアンサンブル学習

1. 問題定義

本論文は、**鉄筋コンクリート耐震壁（RCSW）における塑性ヒンジ長（PHL）**を正確に予測するという極めて重要な課題に取り組んでいる。PHLは、延性容量、エネルギー散逸、および最終変位を支配する、耐震設計における基礎的なパラメータである。

既存のアプローチには、以下のような重大な限界が存在する：

• 経験的定式化： 従来の式（HoultやPriestleyなど）は、簡略化された力学モデルや限定的なデータセットに依存している。これらは、幾何学的特性（壁長、有効高さ）と材料特性（配筋比、コンクリート強度）、および挙動現象の間の複雑で非線形な相互作用を捉えることができず、予測誤差が100%を超えることもある。
• 標準的な機械学習： ディープラーニングやアンサンブル手法（Random ForestやXGBoostなど）は有望ではあるが、入力特徴量を対称的に扱う傾向があり、因果関係のある変数と偽相関を区別できない。また、収束性、汎化性能、および入力摂動に対する安定性に関する厳密な理論的保証を欠いている。
• 物理情報に基づくニューラルネットワーク（PINN）： 既存のPINNは、基礎となる微分方程式が正確に既知であることを前提としているが、塑性における経験的な構成則においては、挙動が履歴依存的かつ確率的であるため、この仮定は成立しない。

核心となる技術的問題は、物理原則を尊重しつつ、PHL形成の因果構造に対処しながら、データから学習する、堅牢で解釈可能かつ汎用性の高いフレームワークを開発することである。

2. 手法：SE-GBRフレームワーク

著者らは、因果推論と確率微分幾何学を橋渡しする理論的パラダイムに基づいた、**勾配ブースティング回帰器を用いたスタッキングアンサンブル（SE-GBR）**フレームワークを提案している。この手法は、CNSDE（Causal Neural Stochastic Differential Equation：因果的ニューラル確率微分方程式）と呼ばれる、4つの異なるモジュールを統合した新しいアーキテクチャによって構成されている。

A. 理論的基礎

本アプローチは、塑性曲率場 $U(z, t)$ を、確率微分方程式（SDE）に従う確率過程としてモデル化する。

• 因果的不変性： 本フレームワークは、SDEのドリフト項が、生の入力 $X$ ではなく、入力特徴量から導出された**因果的親（潜在的媒介変数 $Z$）**のみに依存することを強制する。これにより、非因果的特徴量への介入に対する不変性が確保される（定理3.1）。
• 物理情報に基づく正則化： モデルは既知の偏微分方程式（PDE）を強制するのではなく、オイラー・ベルヌーイの適合条件（$\partial^2 M/\partial z^2 - \partial \mu/\partial t$）に対する弱形式の適合性を強制する。これにより、明示的な構成則を必要とせずに、基礎的な力学に予測を繋ぎ止める。

B. アーキテクチャ構成要素

1. 因果的特徴エンコーダ： NOTEARS制約を用いた学習された有向非巡回グラフ（DAG）を介して、生の入力 $X$ を潜在的媒介変数 $Z$ にマッピングする。このモジュールは、偽相関を明示的に排除し、表現が因果的に十分であることを保証する。
2. フーリエニューラルオペレータ（FNO）： 静的な媒介変数 $Z$ を無限次元の関数空間へと持ち上げ、曲率場の初期条件および境界条件を生成することで、解像度の不変性を確保する。
3. CNSDEソルバー： **1.5次強確率ルンゲ＝クッタ（SRK）**スキームを用いて、状態を時間的に伝播させる。これにより、アレオリックな不確実性（材料のノイズ）と決定論的なダイナミクスの両方を捉える。
4. PHL抽出器： 曲率が降伏閾値を超える領域を積分することにより、瞬時および最終的なPHLを算出する。その際、微分可能なシグモイド近似を使用する。

C. 最適化

全損失関数は以下を組み合わせる：

• データ忠実度： 予測された軌跡と観測された軌跡の間の平均二乗誤差（MSE）。
• 物理残差： オイラー・ベルヌーイの適合条件に違反することに対するペナルティ。
• 因果的正則化： 学習されたDAGの非巡回性を強制するペナルティ（指数トレース形式による）。
• 重み正則化： 標準的な $L_2$ 正則化。

本フレームワークは、多様なベース学習器（異なるサブセットまたは特徴量で訓練されたもの）が勾配ブースティング回帰器（GBR）メタ学習器に供給されるスタッキングアンサンブルアーキテクチャを利用している。このメタ学習器は、物理的および因果的制約を遵守しながら、経験的リスクを最小化するように予測を最適に結合する。

3. 主な貢献

本論文は、以下の具体的な貢献を主張している：

1. 新規なSE-GBRフレームワーク： 因果的特徴発見と物理情報に基づく正則化を伴うマルチレベル・アンサンブル学習を統合し、優れた予測性能を達成した。
2. 因果構造学習： 学習されたDAGを介して、物理的に意味のある入力特徴量（壁長、有効高さなど）を明示的に特定し、優先順位付けすることで、解釈性と汎化性能を高めるコンポーネント。
3. 物理情報に基づく正則化： 明示的な微分方程式の定式化を必要とせずに、予測を構造力学に根付かせる、オイラー・ベルヌーイ適合性の弱形式の強制。
4. 厳密な理論的分析：
   • 収束性： 学習アルゴリズムの収束レート $O(1/\sqrt{T})$ を証明。
   • 汎化性能： PAC-Bayes汎化境界の導出。
   • 安定性： 入力摂動に対する安定性と、介入に対する因果的不変性の証明。
5. 包括的な実証検証： Hoult RCSWデータベース（721サンプル）を用いた広範なテストにより、最先端の性能を実証。

4. 実験結果

フレームワークは、経験的定式化（SAE, SSE, DF）および様々なアンサンブル・ベースライン（SE-SVR, SE-RFR, XGBoostなど）に対し、Hoult RCSWデータベース（721実験サンプル）を用いて評価された。

• 予測性能： SE-GBRモデルは以下の数値を達成した：
  • MSE: $0.012 \pm 0.001 \, m^2$ （全モデル中で最小）。
  • $R^2$: $0.916 \pm 0.004$ （最高値）。
  • MAE: $0.043 \pm 0.003 \, m$。
    これは、2番目に優れたアンサンブル（SE-RFR）に対してMSEで7.7%上回り、最高の経験的定式化（SAE）に対してはMSEを94.0%削減したことを意味する。
• 因果的不変性： 壁長範囲（$l_w < 2m$, $2 \le l_w \le 4m$, $l_w > 4m$）にわたるサブグループ分析により、一貫した性能が示され、因果的不変性が検証された。
• 転移可能性： 別のドメインのタスク（Naderpourデータベースを用いたせん断強度予測）に適用した場合、強い性能（$R^2 = 0.891$）を維持し、学習された因果表現が関連する構造タスク間で汎用できることを示した。
• 堅牢性： 本モデルは、入力ノイズに対するベースラインと比較して優れた安定性を示した（劣化率0.06に対し、SAEは0.11）。
• アブレーション研究： 因果的エンコーダを除去するか、ランダムなDAG構造を使用した場合は、大幅な性能低下（MSEの20-25%増加）を招き、学習された因果構造の必要性が確認された。

5. 意義と主張

本論文は、本研究をデータ駆動型構造工学の新しいパラダイムとして位置づけている。その意義は以下の点にある：

• 理論と実践の架け橋： 単なる経験的な機械学習を超え、構造工学の機械学習アプリケーションにおいて通常欠落している、収束性、汎化、安定性に関する厳密な数学的基礎を確立している。
• 因果的解釈性： 因果構造を明示的にモデル化することで、物理的直感と一致する透明性の高い予測を提供し、標準的なディープラーニングの「ブラックボックス」問題を解決している。
• 不確実性の処理： 確率微分方程式の定式化により、決定論的モデルが見落としがちな、塑性ヒンジ形成における固有の材料ノイズと変動を明示的に捉えている。
• 信頼性： 物理情報に基づく正則化と因果的制約の組み合わせにより、予測が正確であるだけでなく、物理的に一貫しており、分布の変化に対しても堅牢であることを保証している。

著者らは、限界（例：極端に短い壁に対する性能低下やデータサイズへの依存性）はあるものの、提案されたフレームワークは、複雑な構造挙動を予測するための、理論的に裏付けられた堅牢なアプローチを確立しており、より安全で効率的な耐震設計への道筋を示すものであると結論付けている。