PINNがうまくいかないとき：擬似時刻刻みで生じる見かけ上の解（spurious solutions）への対抗

要旨: 物理情報ニューラルネットワーク（PINN）は、偏微分方程式を解くための有望な機械学習の枠組みを提供しますが、その学習はしばしば難しい問題で破綻し、残差損失が小さくなっているにもかかわらず、物理的に誤った解へと収束してしまうことがあります。この失敗は、単なる最適化上の困難に過ぎないものではなく、むしろ経験的なPDE残差損失の根本的な弱さを反映していると私たちは主張します。すなわち、学習の過程で些細な（自明な）解や、見かけ上の（不正な）解を許してしまう可能性があるのです。この観点から、近年PINNにおいて強い経験的成功を示してきた擬似時間ステッピング（pseudo-time stepping）を改めて検討します。擬似時間ステッピングの主な利点は、単に最適化を容易にすることにとどまりません。むしろ、コロケーション点（collocation-point）のリサンプリングと組み合わせることで、不正な解を発見し、それを回避するのに役立つことを示します。同時に、擬似時間ステッピングの有効性はステップサイズの選択に決定的に依存し、学習損失だけからは信頼性をもって調整できないことを見いだします。この制限を克服するために、局所残差ヤコビアンの有限差分サロゲートからステップサイズを選ぶ適応的な擬似時間ステッピング戦略を提案します。これにより、問題ごとの個別チューニングなしに、局所的安定性によって許される最大のステップを与えます。多様なPDEベンチマークにわたる広範な評価で、提案手法は一貫して精度と頑健性の両方を改善します。これらの知見は、PINNがなぜ失敗するのかをより明確にし、信頼性の高い物理情報に基づく学習へ向けた実用的な道筋を示すものです。本原稿に付随するすべてのコードとデータは https://github.com/sifanexisted/jaxpi2 で利用可能です。