UniPINN: 多様なナビエ-ストークス方程式のマルチタスク学習のための統一PINNフレームワーク
arXiv cs.CV / 2026/3/12
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- UniPINNは、共通の普遍的な物理法則を流れ固有の特徴から分離する、共有-専門化アーキテクチャを介した統一的なマルチフローPINNフレームワークを導入します。
- 複数のナビエ-ストークス流に跨る関連パターンを強化し、タスクに依存しない干渉を抑制するクロスフローアテンション機構を追加し、ネガティブ転移を低減します。
- 異種の目的をバランスさせ、マルチタスク・マルチフロー設定での学習を安定化させる動的損失割り当て戦略を採用します。
- 3つの標準的な流れに対する広範な実験により、既存手法と比較して予測精度が向上し、異なるレジーム全体での性能のバランス向上が示されました。
- 著者はソースコードをGitHub上で公開する予定であり、CFDおよびPINNコミュニティにおける実用的な適用と今後の研究への影響を示唆します。
要旨: 物理情報ニューラルネットワーク（PINNs）は、非圧縮性 Navier–Stokes 方程式の解法に有望であることを示していますが、既存のアプローチは主に単一流れ設定を前提として設計されています。マルチフローの状況へ拡張すると、これらの手法は三つの主要な課題に直面します：(1) 共有される物理原理と流れ固有の特徴の両方を同時に捉える難しさ、(2) タスク間のネガティブ転移による予測精度の低下に対する感受性、(3) ヘテロジニアスな流れレジーム間で生じる損失量の差によって生じる学習ダイナミクスの不安定さ。これらの限界に対処するため、共通-専門化アーキテクチャ、クロスフローアテンション機構、動的ウェイト割り当て戦略の3つの補完的なコンポーネントを統合した統一的なマルチフローPINNフレームワークを提案します。3つの標準的な流れに対する広範な実験は、UniPINN がマルチフロー学習を効果的に統一し、異種レジーム全体での予測精度とバランスの取れた性能を向上させつつ、ネガティブ転移を成功裏に緩和することを示しています。本論文のソースコードは https://github.com/Event-AHU/OpenFusion にて公開される予定です。
