メタン吸着のための物理情報ニューラルネットワーク：クロスガストランスファー学習、物理制約下でのアンサンブル崩壊、モンテカルロドロップアウトによる不確実性定量化

要旨: 異質な石炭のランクにまたがってメタンの吸着を正確に予測するには、熱力学的整合性、データが乏しい地質学的システム間での効率的な知識移転、キャリブレーションされた不確実性推定を組み合わせるモデルが必要である。しかし、これらの能力を既存の枠組みで同時に扱うことはほとんどない。本研究では、弾性重み固定（Elastic Weight Consolidation）、石炭固有の特徴量エンジニアリング、移転の保存と熱力学的な微調整とのバランスを段階的に調整する三相カリキュラムによって、水素吸着PINNをメタン吸着予測へ適応させる、物理に基づいた転移学習の枠組みを提示する。リグナイトから無煙炭までを含む114件の独立した石炭実験から得た993件の平衡測定で学習したこの枠組みは、保持した石炭サンプルでR2 = 0.932を達成し、圧力のみの従来型等温線に比べて227%の改善を示す。さらに、水素による事前学習は、ランダム初期化と比べてRMSEを18.9%低下させ、収束を19.4%高速化する。5つのベイズ的不確実性定量化アプローチは、物理制約付きアーキテクチャ間で性能に体系的な乖離が生じることを明らかにする。モンテカルロ・ドロップアウトは最小限のオーバーヘッドで十分にキャリブレーションされた不確実性を達成する一方、深いアンサンブルは、アーキテクチャの多様性や初期化戦略にかかわらず性能が劣化する。これは、共有された物理制約によって許容される解のマニフォールドが狭まるためである。SHAPおよびALE解析により、学習された表現が物理的に解釈可能であり、確立された石炭の吸着メカニズムと整合していることが確認される。最も影響が大きいのは、含水・揮発成分の相互作用であり、圧力—温度の結合は熱力学的な相互依存を捉え、特徴量には非単調な効果が見られる。これらの結果は、この物理制約付き転移学習の枠組みではモンテカルロ・ドロップアウトが最も性能の高いUQ手法であることを示すとともに、地質材料のモデリングにおけるデータ効率の高い戦略として、ガス間の転移学習が有効であることを実証する。