A scale-covariant pre-solve screening algorithm for scalar finite-difference discretizations on positive nonuniform meshes

技術要約：スカラー有限差分離散化のためのスケール共変なプレソルブ・スクリーニング・アルゴリズム

問題設定
正の領域（$0 < x_0 < \dots < x_N$）におけるスカラー問題に対して、非一様な有限差分離散化（メッシュおよびステンシル）を選択する場合、通常は参照解が得られる前に行われる。既存の決定規則は、局所的な整合性指標（ステップサイズやペクレ数など）や加法的なフーリエ解析に依存していることが多いが、これらは並進不変性に結びついている。しかし、これらの指標は、問題によって宣言された乗法的成分（冪乗則や対数周期的な振動）を、組み立てられた非一様な行がいかに伝達するかを直接測定するものではない。課題は、計算を行う前に、組み立てられた行を用いて「安全でない」離散化を拒絶するための決定規則を開発することであり、局所的な整合性と大域的な安定性を区別し、加法的な幾何学と乗法的な幾何学を混同しないようにすることである。

手法
本論文では、宣言された乗法的特性 $x^z$ に対して組み立てられた行を評価する、スケール共変なプレソルブ・スクリーニング・アルゴリズムを提案する。ワークフローは、決定論的な監査とリスク校正された決定ブランチに分かれている。

1. メリン監査（決定論的コンポーネント）：

   • 局所応答： 宣言された指数 $z$ に対して、アルゴリズムは行 $j$ の局所メリン応答を計算する：
     $$m_{h,j}(z) = x_j^{-z} \sum_{k \in S_j} a_{jk} x_k^z = \sum_{k \in S_j} a_{jk} \exp\left(z \log \frac{x_k}{x_j}\right)$$
     ここで、$a_{jk}$ は組み立てられた重み、$S_j$ は行のサポートである。
   • 欠損計算： この離散応答を連続演算子の応答 $m_j(z)$ と比較し、欠損 $d_j(z) = m_{h,j}(z) - m_j(z)$ を形成する。
   • 集計： 監査は、宣言された作業指数集合 $\Pi$ にわたる正規化された欠損、逆応答、位相誤差、および空間的粗さを集計する。これらは診断ベクトル $\mathbf{M}$ を形成する。
   • 理論的境界： 本手法は、同次演算子に対して正規化された応答が**拡大共変（dilation covariant）**であることを確立している。また、この乗法的プローブと標準的な加法的フーリエプローブとの差に関する境界を示し、これらは相対的なメッシュ幅の一次のオーダーにおいて一致するが、大きなステップでは乖離することを証明している。

2. 証明優先の決定規則：
   アルゴリズムは、経験的なヒューリスティクスよりも厳密な数学的証明を優先する：

   • ハード証明（Hard Certificate）： 離散化された行列がZ行列であり、かつ（解くことなく検証可能な）構成的な正の障壁ベクトル $w_h$ が $A_h w_h \ge 1$ を満たすように存在する場合、本手法は行列が非特異なM行列であることを証明する。これと有限のメリン表現を組み合わせることで、計算可能で厳密な最大ノルム誤差界が得られる。
   • 経験的ブランチ： ハード証明が検証できない場合、アルゴリズムはリスク校正された拒絶／延期ルールへとフォールバックする。このブランチは、従来のメッシュ指標（$\mathbf{B}$）、加法的監査特徴量（$\mathbf{A}$）、およびメリン監査特徴量（$\mathbf{M}$）を組み合わせた特徴量を用いて訓練された機械学習モデル（ロジスティック回帰、勾配ブースティング、ランダムフォレスト）を使用する。
   • 校正： 拒絶閾値は、スコアの交換可能性の仮定の下で、誤った候補を拒絶する確率（偽陽性率）の事前指定された上限を保証するように、互いに素な物理パラメータのグループに対する**分割共形校正（split-conformal calibration）**を通じて決定される。

主な貢献

• スケール共変な診断： 対数座標における並進として拡大（dilation）が作用する正の非一様メッシュに特化した、メリン–フーリエ対応に基づくプレソルブ監査の導入。
• 厳密なブランチの分離： 決定論的な証明付きの受理（M行列理論による）と、経験的なリスク校正された拒絶を厳密に分離するワークフロー。経験的ブランチは、ハード証明が存在しない限り、安全であるとはラベル付けされず、明示的に「延期」または「拒絶」とされる。
• 理論的保証：
  • 同次演算子の拡大共変性の証明。
  • 微分推定値を用いて連続的な指数のバンドにおける欠損を境界付ける有限ネット証明定理（定理6）。
  • 一様な対数テンソル格子に対する正確なモード誤差恒等式（定理7）。
  • 非特異M行列のための構成的な障壁証明（定理8）。
• 増分情報分析： メリン特徴量が、特にスケール構造を持つ問題（オイラー系）において、ロジスティックおよび勾配ブースティングモデルに対して統計的に有意な増分情報を提供することを示す厳密な評価。ただし、層支配の問題においては、強力な加法的制御と冗長になることが多い。

結果
本手法は、1,764個の1次元離散化および140個のテンソル積ケース（オイラー、反応拡散、対流拡散系）を用いて検証された。

• 証明（Certification）： ハード証明は、M行列シナリオにおいて、解くことなく、真に安全なケースの55〜60%を正常に受理した。また、安全でないケースの誤受理はゼロであった。
• 経験的スクリーニング：
  • 勾配ブースティングのベースラインにメリン特徴量を追加することで、不安全な拒絶率（真陽性率）は76.9%から80.5%に向上し、同時に誤った拒絶率（偽陽性率）は1.6%（3%の予算に校正）に維持された。
  • この性能は、事後的な2グリッド差分推定器（不安全拒絶率80.7%）にほぼ匹敵したが、精緻化された解を必要としなかった。
  • メリン監査は、冪乗則や対数周期的な成分に対して、それが正確に拡大共変であるため、特定の構造的優位性を持つことを示した。
• 外部ストレス・テスト：
  • スペクトラム・シフト： 宣言されたモードの欠落が失敗を招くことを正しく特定した。新しいモードが明示的に宣言された場合にのみ、性能が回復した。
  • 学習済みメッシュ生成器： フーリエニューラルオペレータ（FNO）によって生成されたメッシュに適用した場合、プレソルブ監査（生成器固有の校正後）は、FNOが見逃した稀なスケール構造の失敗を検出し、高特異性のセンチネル（監視役）として機能した。

意義および主張
本論文は、本手法が特定のスカラクラスに対するスケール感受性の高い、証明優先のスクリーンであり、汎用的な誤差推定器ではないことを控えめに主張している。

• 層適応メッシュ生成や残差推定に取って代わるものではない。
• 未宣言のモードを発見するものではない。作業スペクトルは事前に宣言される必要がある。
• 主要な貢献は、決定論的なスケール共変監査と、リスク校正された決定プロセスを組み合わせたアルゴリズム的ワークフローである。
• 本手法は、参照解が得られないシナリオにおいて、リスクを定量化しながら安全性を証明するか、あるいは精緻化へと延期するかを選択できる手段を提供しており、正のメッシュにおける乗法的特性の幾何学的性質を活用している。