自然システムのデジタルツインにおけるモデル適応のための生成フローネットワーク

arXiv cs.LG / 2026/4/23

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、物理システムが時間とともに変化し、観測は部分的かつまばらで、メカニスティックなシミュレータのパラメータは直接測定できないという前提のもと、デジタルツインのモデル適応をシミュレーションベースの推論問題として定式化している。
生成フローネットワーク（GFlowNet）に基づく手法として、シミュレータの完全な設定（コンフィギュレーション）を生成モデルの対象とし、シミュレーションと観測の振る舞いの一致度に比例する確率でパラメータ化をサンプリングできるようにしている。
生成を有望な較正へ導くため、報酬（reward）を「シミュレーションと観測の動特性の一致」に基づいて設計している。
管理された農業環境のケーススタディとしてメカニスティックなトマトモデルを用いた評価では、適応ランドスケープの主要領域の回復、強い較正仮説の抽出、そして不確実性が残る状況での複数のもっともらしい構成の保持が示されている。
非同定性（識別不能性）を扱ううえで、「1つの最適較正」ではなく「両立可能なパラメータ化の分布」を得られる点で、GFlowNetの有効性を示唆する研究となっている。

Abstract

自然システムのデジタルツインは、時間とともに変化し、部分的にしか観測されず、かつ通常はパラメータを直接測定できないメカニスティック（機構論的）シミュレータによってモデル化される、物理システムと常に整合していなければなりません。このような状況では、モデル適応は自然にシミュレーションに基づく推論問題として定式化されます。しかし、疎で間接的な観測はしばしば、一意かつ最適なキャリブレーションを同定できず、得られるエビデンスと両立する複数のシミュレータのパラメータ化が残ってしまいます。本稿では、自然システムのデジタルツインに対するモデル適応のための、GFlowNetに基づくアプローチを提示します。適応を、完全なシミュレータ設定に関する生成モデリング問題として定式化し、シミュレーションされた挙動と観測された挙動の一致から導かれる報酬に比例する確率で、もっともらしいパラメータ化をサンプリングできるようにします。メカニスティックなトマトモデルに基づく管理された環境の農業ケーススタディにより、学習した方策が適応ランドスケープの支配的な領域を回復し、強力なキャリブレーション仮説を取り出し、不確実性の下で複数のもっともらしい構成を保持することを示します。