\textbf{KAPI}（Kernel-Adaptive Physics-Informed meta-learner）と呼ばれ、浅いタスク条件付きモデルであり、問い合わせ座標とPDEパラメータを解の値へ写像する。同時に内部では、解釈可能でタスクに適応したガウス基底の幾何構造を生成する。軽量なメタネットワークがPDEパラメータから基底中心・幅・活動パターンを写像し、それによって近似空間がパラメトリックな族全体でどのように適応すべきかを学習する。この予測器によって生成された幾何構造は、第2段階の補正器へと引き継がれ、そこで背景基底が加えられ、ワンショットの物理情報に基づくExtreme Learning Machine（PIELM）型の最小二乗解法によって最終解が計算される。提案手法を、拡散、輸送、混合移流--拡散、変速輸送にまたがる4つの線形PDE族で評価する。これらのケースでは、予測器が局所的で輸送に整合した基底配置を通じて意味のある物理を捉え、補正器は精度をさらに向上させることが多く、しばしば1桁以上のオーダーで改善する。パラメトリックPINN、物理情報に基づくDeepONet、均一グリッドのPIELM補正器との比較により、予測器主導の基底適応は、解釈可能で効率的な、パラメトリックPDE解法の戦略として価値があることが示される。
パラメトリック線形PDEのためのメタ学習ベース適応
arXiv cs.LG / 2026/4/13
💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、メタ学習した予測器（KAPI）と最小二乗補正器を組み合わせた、パラメトリック線形PDE族に対するハイブリッドな物理情報に基づく枠組みを提案する。
- KAPIは浅いタスク条件付けモデルを用いて、PDEパラメータから軽量なメタネットワークにより、解釈可能でタスク適応的なガウス基底のジオメトリ（中心・幅・活動パターン）を生成する。
- 第2段の補正器は予測器の基底ジオメトリを転送し、背景基底を追加したうえで、ワンショットの物理情報に基づくExtreme Learning Machine（PIELM）型の最小二乗解法により最終解を計算する。
- 拡散、輸送、移流—拡散、可変速度輸送の4つのPDE族に関する実験により、予測器が物理に整合した局所化基底配置を学習し、補正器が精度を1桁以上（場合によっては複数桁）改善できることを示す。
- 本手法は、パラメトリックPINN、物理情報に基づくDeepONet、均一グリッドのPIELM補正器と比較されており、予測器による基底適応の効率性と解釈可能性が強調される。
