技術要約：証明書に基づいた物理予測のための弱位相幾何学的ニューラルオペレーター（Weak-Topological Neural Operators）

問題提起

ニューラルオペレーターは、流体、材料物理学、およびその他の領域における偏微分方程式（PDE）の族を解くための効果的なサロゲートとして定着している。しかし、標準的なモデル選択基準である「固定または滑らかにパラメータ化された領域における状態空間誤差の最小化」は、対象となる科学的オブジェクトが**界面、位相幾何学的イベント、弱解、あるいは稀なテイル（裾）**を含む場合には不十分である。

自由境界ダイナミクス、トポロジー変化を伴うフェーズフィールド、あるいは衝撃波形成のようなシナリオでは、低い場誤差（field error）は正しいトポロジー、バリフォールド幾何学、エントロピー生成、または表面質量を保証するものではない。逆に、物理的に信頼できるセクションであっても、狭い状態指標のみで判断されると拒絶される可能性がある。既存の自由境界オペレーターの多くは微分同相写像による表現に依存しているが、これらは界面が合体、分裂、または疎なサポートに接近する場合に苦戦する。特定された核心的な課題は、「選択」こそが「予測」と同じくらい重要であるということである。すなわち、学習されたどのセクションが「物理的に許容される」ものとして昇格されるかを決定するメカニズムが、現在は未指定である。

手法：弱位相幾何学的ニューラルオペレーター（WTNO）

著者らは、状態予測器を幾何学的、位相幾何学的、および弱測度の「証明書（certificate）」と結合させ、許容されるオペレーターセクションのみを選択するフレームワークである**弱位相幾何学的ニューラルオペレーター（WTNO）**を導入する。

1. 数学的定式化

WTNOは、予測パイプラインを有限個の許容されるセクションの族として扱う。状態空間は特定のバックボーンによって定義されるのではなく、以下の要素からなる弱位相幾何学的状態 $Z = (\mu, V, \Pi)$ によって定義される：

• $\mu$ (物理的測度): 物理的状態。
• $V$ (界面バリフォールド): 界面の幾何学的測度によるビュー。
• $\Pi$ (位相幾何学的持続性): 摂動に対する位相幾何学的安定性の尺度。

距離計量 $d_Y$ は、可算な連続テスト関数の族を用いてこれらの弱状態を計量化し、動的なドメインと固定されたドメインの間に滑らかな写像を必要とせずに、トポロジー変化を伴う状態間の比較を可能にする。輸送版（Product-CWTS）では、適合方程式（例：$\partial_t\mu + \nabla_x \cdot J = R$）が分布の意味で満たされることを保証するために、状態はフラックス、界面作用、および弱残留項によって拡張される。

2. 選択メカニズム

ワークフローは以下の3つのステップで構成される：

1. 埋め込み（Embedding）: 物理的予測を弱位相幾何学的状態に埋め込む。
2. 生成（Generation）: 候補となるセクションの族を生成する（例：ベースラインのFNO、feedback-FNO、Product-CWTS、ロバストな損失、U-Netコントロール）。
3. 選択（Selection）: 許容される証明書領域（$S_\tau$）の内部で状態リスクを最小化するセクションを昇格させるセレクター。
   • 選択ルールは次のように定義される：$\hat{s} = \arg \min_{s \in S_\tau} \hat{R}_{state}(s)$, ここで $S_\tau = \{s : \hat{d}_\Gamma(s) \leq \tau_\Gamma, \hat{R}_{state}(s) \leq \tau_s\}$ である。
   • ここで、$d_\Gamma$ は固定された損失ではなく、証明書計量（例：トポロジー、バリフォールド、または弱測度距離）である。

3. 理論的保証

論文では、入力集合がコンパクトである有限のセクション族に対して、ターゲットとなる解写像がWTS計量に対して連続である場合、経験的な許容セレクターが高確率で母集団許容集合に収束するという命題1を提示している。これは、WTS/CWTS積空間のコンパクト性と、経験的検証推定値の集中性に依拠している。

主要な結果

1. トポロジー変化を伴うフェーズフィールド・ベンチマーク

• 文脈: 分離から合体へのトポロジー変化を含む2Dフェーズフィールド・ベンチマーク。
• 比較: WTNOは、強力なfeedback-FNO参照モデル（これは既に標準的なFNOやU-Netを上回っている）と比較された。
• 結果: Trust-Region Product-CWTSバリアントは、強力な参照モデルをさらに改善した。
  • 主要な評価グループにおいて、相対誤差（rel-all）を0.065885から0.056⁹09へと減少させた。
  • 極めて重要な点として、トポロジーのドリフトを起こすことなく、幾何学に敏感な指標（rho、varifold、merge-u）を改善した。
  • 改善は保持された独立した検証グループにも転移しており、WTNOが状態のみの選択よりも物理的に許容されるセクションをより良く選択できることを示している。

2. 公式PDEBench Burgersデータ

• 文脈: 点衝撃波幾何学のターゲットが、拡散データ幾何学（$\nu=0.1$）と一致しない1D粘性Burgersダイナミクス。
• 証明書: テイル（裾）のドリフトを診断するために、滑らかなBV/エントロピー弱測度証明書が使用された。
• 結果:
  • 証明書は、平均誤差が低く見えても、選択されなかった終端状態が重い裾を持つドリフトを起こしていることを露呈させた。
  • Huberトレーニング（$\beta=0.02$）は、ロバストなセクションクラスを提供した。
  • 選択されたHuberセクションは、10回の初期化における相対誤差 0.019903 ± 0.002205 を達成し、選択されなかった状態（0.053841 ± 0.034369）や他のロバストなトレーニング・ベースライン（EMA, SAM, SWAなど）を大幅に上回った。
  • この結果は、ロバストなトレーニングは証明書に基づいた検証選択と組み合わされる必要があることを強調している。

3. 内部3Dフェーズフィールドテスト

• 文脈: 密なシェルターゲットの学習が不安定であることが判明した3Dフェーズフィールドダイナミクス。
• 診断: 内部証明書により、物理的な $\rho$ チャネルが疎なサポート上で崩壊する一方で、明示的な幾何学チャネルは安定しているという疎なサポートによるチャネル不安定性が特定された。
• 結果:
  • 物理的な $\rho$ 損失に対するサポート認識型の重み付けが、この崩壊を修正した。
  • 一致したケースでは、サポートバランスの取れたセクションにより、rel-allが0.026931に減少した（崩壊した場合の0.847204と比較）。
  • 6つのマッチング分割全体を通じて、サポート重み付けされたセクションは崩壊ゼロであったが、未処理の深いセクションは1例で崩壊が発生した。

4. 公開3D乱流 (PDEBench)

• 文脈: 3D乱流における有界な1ステップ・フルグリッド検証（直前の時刻から最終状態を予測）。
• 比較: マッチングされたコントロールとしてResCNN、U-Net、および強力なFNOが含まれる。
• 結果:
  • 高容量のResCNNが、U-Net（rel-all 0.038486）や強力なFNO（0.043400）と比較して、最も低い誤差（rel-all 0.035023）を達成した。
  • ResCNNは、低いコア状態誤差と弱幾何学誤差を維持しており、公式のフルグリッド3Dデータセットにおける選択ロジックの妥当性を裏付けている。

意義と主張

本論文は、ニューラルオペレーターの報告を、単一の誤差最小化問題ではなく、診断可能な物理・幾何学的選択問題として再定義することを主張している。

• 明示的なセレクター: WTNOは「セレクター」をオペレーターの明示的な一部とし、物理・幾何学的な許容性に基づいて、学習されたどのセクションを昇格させるかを決定する。
• 状態誤差を超えて: トポロジー変化や弱解の問題においては、低い場誤差は不十分であることを示している。報告されるセクションは、弱幾何学的証明書（トポロジー、バリフォールド、エントロピー、表面質量）を満たす必要がある。
• 堅牢性: 本フレームワークは、標準的な選択ルールが見逃してしまうロバストなセクション（BurgersにおけるHuberトレーニングなど）を特定し選択することに成功しており、不安定または物理的に矛盾したモデルの報告を防ぐ。
• 限定的な範囲: 著者らは、本フレームワークが評価を「物理・幾何学的証拠の指定」に変えるものである一方で、より広範な展開には、より長いホライゾンの公開タスクや明示的な学習済みモデルとの比較が必要であると述べている。現在の結果は、テストされた範囲内（有限検証のオラクルおよび特定の物理ファミリー：フェーズフィールド、Burgers、乱流）に限定されている。

結論として、報告されるべきオペレーターとは、状態と証明書の両方の基準を満たすセクションであり、場誤差はその広範な検証ルールの一要素である。