ニューラル物理ソルバのための分布外汎化

TL;DR（結論）

NOVAは、物理法則に基づいた帰納バイアスを探索することで、学習データの範囲を超えた未知の物理シナリオ（分布外）に対しても高速かつ高精度に予測を行う、新しいニューラル物理ソルバの設計フレームワークである。 従来のデータ駆動型モデルが外挿に弱く、物理情報に基づくモデルが計算コストに課題を抱えていたのに対し、NOVAは物理整合的なアーキテクチャ探索と凸最適化による高速なゼロショット適応を組み合わせることで、予測誤差を最大150倍削減することに成功した。 非線形熱伝導、流体、拡散反応系などの複雑な物理系において、少量のデータからでも高い汎化性能を発揮し、長期的な動態予測の安定化や、生成AIを用いた流体チップの最適化設計など、科学的発見を加速させる実用的な能力を実証している。

なぜこの問題か

科学的発見の本質は、既存の知識やデータの範囲を超えた未知の現象、新しい材料、あるいは革新的な設計を明らかにすることにある。しかし、現在の科学向けAI（AI for Science）には、真の発見を妨げる大きな限界が存在している。多くの既存モデルは、学習データに酷似した結果しか出力できない「検索エンジン」のような状態に陥っており、未知の領域を探索するための「発見エンジン」としては十分に機能していないという批判がある。特に、物理パラメータや幾何学的形状、初期条件が学習時の分布から大きく外れた「分布外（Out-of-Distribution）」のシナリオにおいて、AIモデルの予測精度は著しく低下し、実用性を失ってしまう。 また、化学的な自己組織化や発生生物学における長期的な動態をシミュレーションする場合、時間の経過とともに誤差が蓄積していくことで予測が破綻する「共変量シフト」の問題も深刻である。現在の主流なアプローチには、大量のデータを必要とするが外挿に弱い純粋なデータ駆動型モデル（FNOやU-Netなど）と、データ効率は良いが新しいシナリオごとに膨大な再学習コストがかかる物理情報に基づく機械学習（PIML）の二つがある。…

核心：何を提案したのか

本研究では、データが限られた状況でも物理法則を頼りに未知のシナリオへ適応できる、物理ガイド付きアーキテクチャ探索フレームワーク「NOVA（Neural architecture discovery with physics for Out-of-distribution, and Versatile Adaptation）」を提案した。NOVAの核心は、モデルの学習誤差を最小化することだけを目的とするのではなく、物理法則に整合した「帰納バイアス」を持つモデル構造を自動的に発見し、それを高速に適応させる点にある。…

続きはログイン/プランで閲覧できます。