乱流流れにおけるPINNの不確実性定量化：ベイズ推論と反発型アンサンブル

arXiv cs.LG / 2026/4/21

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本研究は、標準的な物理インフォームドニューラルネットワーク（PINN）の主要な弱点であるエピステミック不確実性の定量化不足に対し、乱流モデリングにおけるPDE逆問題（不良設定問題）で不確実性を扱える確率的PINNの拡張を提案します。
提案手法として、(i) テンパリングした多成分尤度とハミルトニアンモンテカルロ（HMC）を用いるベイズPINN、(ii) モンテカルロドロップアウト、(iii) 関数空間で多様性を強制する反発型ディープアンサンブルの3系統を体系的に評価します。
アンサンブルの多様性や尤度テンパリングが、PDE制約付き逆問題における不確実性キャリブレーションを大きく改善する点に重点が置かれています。
Van der Pol振動子に加え、円柱まわりの乱流（Re=3,900：DNSデータ、Re=10,000：実験PIVデータ）などの複数のテストケースで検証し、推定される各量にわたってベイズPINNが最も一貫した不確実性推定を示すことを報告しています。
反発型ディープアンサンブルは、主な流れ変数に対して競争力のある精度を保ちながら計算効率を高くできる選択肢として位置付けられ、精度・計算コスト・キャリブレーション品質のトレードオフに関する実践的な指針が示されています。

Abstract

物理に基づいたニューラルネットワーク（PINN）は、偏微分方程式（PDE）によって支配される逆問題を解くための有望な枠組みとして登場しており、疎なデータから乱流の流れ場を再構成することも含まれます。しかし、既存のPINNの多くは決定論的であり、データ駆動型のReynolds平均Navier-Stokes（RANS）モデリングのような、取り扱いが難しい問題（ill-posed problems）において重要となる認識論的不確実性（epistemic uncertainty）の信頼できる定量化を提供しません。本研究では、乱流モデリングにおける不確実性定量化のための、PINNの確率的拡張について一連の手法を開発し、体系的に評価します。提案する枠組みは、(i) Hamiltonian Monte Carloサンプリングと、温度付き（tempered）多成分尤度を用いたベイズ型PINN、(ii) モンテカルロ・ドロップアウト、(iii) 関数空間における多様性を強制する反発的（repulsive）ディープ・アンサンブル、を組み合わせたものです。特に、PDE制約付き逆問題における不確実性キャリブレーション（uncertainty calibration）を改善するうえでの、アンサンブルの多様性と尤度の温度付け（likelihood tempering）の役割に重点を置いています。これらの手法は、Van der Pol振動子および、レイノルズ数Re=3,900（直接数値シミュレーションデータ）とRe=10,000（実験的な粒子画像流速測定データ）における円柱まわりの乱流を含む、階層的なテストケースで評価します。その結果、ベイズPINNは推定されるすべての量にわたって最も一貫した不確実性推定を提供することが示されました。一方で、関数空間における反発的アンサンブルは、主要な流れの変数に対して競争力のある精度を保ちながら、計算効率の高い近似を実現します。これらの知見は、物理に基づいた学習における精度、計算コスト、不確実性キャリブレーションのトレードオフについて定量的な洞察を与えるとともに、データ駆動型乱流モデリングにおける不確実性定量化に関する実用的な指針を提供します。