Interface-Aware Sparse Data Placement for Extended Physics-Informed Neural Networks Applied to Computational Fluid Dynamics and Fluid–Structure Interaction

技術要約：拡張物理情報ニューラルネットワークのためのインターフェースを考慮したスパースデータ配置

問題提起
疎な測定値（PIVや生体内イメージングなど）から流体流場を再構成することは、応用流体力学における永続的な課題である。物理情報ニューラルネットワーク（PINN）およびそのドメイン分解型バリアントである拡張物理情報ニューラルネットワーク（XPINN）は、偏微分方程式（PDE）を解くためのメッシュフリーの枠組みを提供するが、スパースデータを用いたシナリオに適用する場合、特定の限界に直面する。標準的なPINNは、複雑な幾何形状においてスペクトルバイアスや収束の問題に悩まされる。XPINNは、ソフトペナルティ項を介して結合された独立したサブネットワークによってドメインをサブドメインに分割することでスケーラビリティに対処している。しかし、著者らは決定的な失敗モードを特定している。すなわち、XPINNにおける再構成誤差は、境界層や後流といった流体特徴量ではなく、サブドメインのインターフェース（境界）に不釣り合いに集中するという現象である。これは、ソフトペナルティによる結合が、オプティマイザに対して「サブドメイン内のPDE残差は満たすが、境界での連続性は違反する」という挙動を許容してしまうために起こる。その結果、誤差パターンは物理現象ではなく、分解の幾何学的形状を反映したものとなり、解が最も制約を受けにくい「弱点」を生み出してしまう。

手法：SPHINXフレームワーク
これを解決するために、著者らはサブドメインのオーバーラップ領域にスパースな測定予算の一定割合を割り当てるデータ配置戦略、SPHINX（Sparse Physics-Hybrid Informed Neural eXtension）を提案する。

• ドメイン分解： 本研究では、（非重複型のオリジナルのXPINNとは異なり）2つのニューラルネットワークが同時に活性化する領域を生成する、オーバーラップ型のシュワルツ型分解を利用している。
• デュアルアンカリング・メカニズム： コアとなる仮説は、オーバーラップ領域 $\Gamma_{ij}$ に配置された測定値が「デュアルアンカリング（二重の固定）」を提供することである。2つのサブネットワーク $N_i$ と $N_j$ が同じ点で値を予測するため、単一の測定値が両方のネットワークをリファレンス値に一致させるだけでなく、互いに一致するように強制する。これにより、ソフトペナルティ損失のみに依存するのではなく、外部データを通じてサブドメイン間の整合性を確保する。
• 割り当て戦略： 総予算 $N$ のスパースな点に対し、SPHINXはインターフェースのオーバーラップ領域に割合 $f$ を、残りの $(1-f)$ をバルクドメイン全体に一様に割り当てる。
• 感度調査： 4つのベンチマークにおいて $f$ を 0.0 から 0.5 まで系統的にスイープした結果、$u$ 速度の再構成において $f=0.1$（データの10%をインターフェースに配置）が最適な動作点であることが特定された。
• 実装： 本手法は、ネットワークアーキテクチャ、損失関数の重み、または学習アルゴリズムの変更を必要としない。これは純粋なデータ配置戦略であり、既存のPINNフレームワークと互換性がある。

テストケースおよび実験設定
本フレームワークは、レイノルズ数（$Re$）20から10,000にわたる4つのベンチマーク問題を用いて検証された。

1. 円柱周囲の定常流（$Re=40$）。
2. NACA 0012翼型上の定常流（$Re=1,000, \alpha=5^\circ$）。
3. NACA 0012翼型上の定常流（$Re=10,000, \alpha=5^\circ$）。
4. Turek–Hron FSI1ベンチマーク（$Re=20$）：チャネル内の弾性ビームが付着した円柱を含む問題（規定された構造運動を伴う流体のみの問題として扱う）。

実験では200個のスパースなデータ点（リファレンスメッシュの0.4%）を使用し、統計的分散を評価するために3つの独立したランダムシードで繰り返された。

主な結果

• 誤差の低減： SPHINXは、スパースデータのないベースラインのXPINNと比較して、4つのベンチマークすべてにおいて $u$ 速度の相対 $L_2$ 誤差を**86%から95%**減少させた。例えば、NACA 0012 ($Re=1,000$) では、誤差は24.40%から1.132%へと低下した。
• 分散の崩壊： インターフェースを考慮したスパースデータの導入により、実行ごとの分散が1〜2桁減少した。標準偏差は、ベースラインの0.22%–74.41%から、SPHINXでは0.04%未満へと低下しており、これはスパースデータが最適化プロセスを正則化し、ランダムな初期化に対する感度を排除していることを示している。
• 変数の感度： $u$ 速度には $f=0.1$ が最適であったが、$v$ 速度および圧力に対する最適な割り当ては変動した（NACAのケースでは $f=0.5$ など、より高い値になることが多い）。これは、各場を支配する物理的制約の違いを反映している。
• RBFとの比較： 同一のデータ点を用いた径基底関数（RBF）補間と比較した際、SPHINXは $u$ 速度誤差においてRBFを2.5倍から8.2倍上回った。これは、得られた利得が単なる追加データの存在によるものではなく、幾何学的配置とデュアルアンカリング・メカニズムに由来することを裏付けている。
• 空気力学的係数： 本手法は場（フィールド）の再構成手法であるが、SPHINXは抗力および揚力係数を妥当な精度で回収した（例：抗力係数は絶対差で約0.11以内）。ただし、高 $Re$ 数における微細な圧力勾配の解像に関するスペクトルバイアスの制限により、揚力については誤差が顕著になった。
• 計算コスト： 本戦略は、ベースラインのXPINNのトレーニングに対してわずか8%の計算オーバーヘッドしか導入しない。これは、反復ごとに $N$ 個の点におけるデータ損失項の評価を追加するだけであるためである。

意義と主張
本論文は、インターフェースを考慮したセンサー配置が、スパースデータを用いた流体再構成のための、科学的根拠に基づいたアーキテクチャに依存しない原理であることを確立したと主張している。主要な貢献は、XPINNの再構成誤差が、流体の物理現象ではなく、分解の幾何学的形状（インターフェース）に構造的に結びついていることを特定した点にある。測定値をソフト制約の結合が最も弱い場所に集中させることで、SPHINXは「デュアルアンカリング」効果を利用してサブネットワーク間の整合性を強制する。

著者らは、このアプローチが、スパースデータの同化を「一様なサンプリング問題」から「構造的に導かれた問題」へと変貌させることを強調している。本研究の結果は、ドメイン分解型PINNにおいて、分解の幾何学そのものが、どこに測定値が最も有益であるかを規定することを示唆している。この戦略は、複雑なアーキテクチャの変更や損失関数の重み付けを必要とせず、精度と安定性を大幅に向上させる、低コストでインパクトの大きい改良策として提示されている。

限界
著者らは以下の限界を挙げている：

• 最適な割り当て比率（$f=0.1$）は経験的に観察されたものであり、解析的に導出されたものではない。
• 本研究は層流および層流から遷移領域までの範囲に限定されており、大規模な剥離や乱流は扱われていない。
• FSIベンチマークでは構造運動が規定されたものとして扱われた。完全に結合された非定常FSI（移動境界を伴うもの）は今後の課題である。
• スパースデータは、ノイズや幾何学的制約を含む実験的な測定値ではなく、リファレンスCFD解から抽出されたものである。