物理法則に基づく不確実性が信頼性の高いAI主導の設計を実現する

TL;DR（結論）

次世代通信（5G/6G）に不可欠なメタサーフェス設計において、従来のAI代理モデルは学習データが不足する領域で「偽の最適解」を提示する課題がありましたが、本研究は予測が物理法則（電磁場の連続性）にどれだけ違反しているかを不確実性の指標とする「物理法則に基づく不確実性（PHY-UNC）」を提案しました。 この指標を多目的最適化ワークフローに統合することで、電磁波の透過特性を制御する複雑な表面設計の成功率を従来の10%未満から50%以上に向上させ、同時に計算コストをフルウェーブシミュレーションのみを用いる場合と比較して10分の1に削減することに成功しました。 統計的な手法に頼らず、物理的原理をモデルの信頼性評価に直接活用することで、高次元な設計空間においても効率的かつ堅牢に最適な構造を探索できる自律的な科学的発見システムの基盤を構築し、AIと物理学の融合が設計の信頼性を劇的に高めることを実証しました。

なぜこの問題か

次世代の移動通信システムである5Gや6Gの実現には、電磁波の伝搬を自在に操るメタサーフェス技術が極めて重要です。メタサーフェスは、波長より小さい単位構造（ユニットセル）を特定のパターンで並べることで、入射波の位相や振幅を操作しますが、所望の特性を得るための構造設計は極めて困難な「逆設計問題」として知られています。従来の設計手法は、専門家の直感と、非常に計算負荷の高いフルウェーブシミュレーションを繰り返す試行錯誤に依存していました。シミュレーションは1つの設計案を評価するのに数分から数十分を要するため、膨大な組み合わせが存在する設計空間を網羅的に探索することは事実上不可能です。例えば、18×18のピクセルで構成される設計空間には、10の97乗という天文学的な数の組み合わせが存在し、これを全て計算することは現実的ではありません。 この課題を解決するために、ディープラーニングを用いた代理モデル（サロゲートモデル）が注目されています。代理モデルは、過去のシミュレーション結果を学習することで、未知の設計に対する性能をミリ秒単位で予測できます。しかし、これらのモデルには「外挿に弱い」という致命的な欠点があります。…

核心：何を提案したのか

本研究の核心は、モデルの予測値が物理法則にどれだけ適合しているかを、予測の「不確実性」の代用指標（プロキシ）として利用する「物理法則に基づく不確実性（Physics-Informed Uncertainty）」という全く新しいパラダイムの提案です。具体的には、ニューラルネットワークが出力した電磁波の透過・反射特性が、電磁気学の根本的な原理である「電磁場の接線成分の連続性」などの物理的制約をどの程度満たしているかを計算します。もし予測値が物理法則を大きく逸脱していれば、その予測は信頼できない（不確実性が高い）と判断する仕組みです。…

続きはログイン/プランで閲覧できます。