フーリエニューラル演算子(FNO)

FNOの理論基礎

演算子学習という枠組み

フーリエ・ニューラル演算子（FNO）は、関数から関数への写像（演算子）を学習するニューラルネットワークです。通常のNNが「ベクトル→ベクトル」を学ぶのに対し、FNOは「初期条件の場→時間発展後の場」「透水係数の分布→圧力場」のような場対場の対応を学びます。PINNが1つの問題インスタンスを解くために学習するのと対照的に、FNOは一度学習すれば新しい入力場に対してミリ秒で解を返す——多数回評価（最適化・UQ・リアルタイム予測）のための道具です。

フーリエ層の仕組み

FNOの核はフーリエ層で、入力場 \( v(x) \) に対し次の変換を行います。

$$ (\mathcal{K} v)(x) = \mathcal{F}^{-1}\!\left( R_\phi \cdot \mathcal{F}(v) \right)(x) $$

すなわち①FFTで周波数空間へ、②低周波モード（打ち切り数 \( k_{max} \)）だけに学習可能な重み \( R_\phi \) を掛け、③逆FFTで実空間へ戻し、④点ごとの線形変換とスキップ接続を加えます。畳み込みが「局所」の相互作用しか見ないのに対し、フーリエ層は大域的な相互作用を1層で表現でき、PDEの解演算子（グリーン関数的な大域構造）と相性が良いのが強みです。

「離散化不変」の意味と条件

学習の実際

学習データ設計が最大のコスト

FNOの学習には「入力場→出力場」のペアが数百〜数千件必要で、これはFOM（CFD/FEM）の実行回数そのものです。データ設計の要点は3つ。①入力分布の設計——運用時に来る入力（境界条件・物性分布・形状パラメータ）の分布を、学習データ生成の乱数分布が覆うこと。②解像度と前処理——一様格子への内挿、各チャネルの正規化（平均0分散1）。③データ拡張——問題の対称性（回転・並進・反転）があれば拡張で実質データ量を稼ぐ。学習自体は相対 \( L^2 \) 損失＋Adamが標準で、ハイパーパラメータはモード数 \( k_{max} \)（12〜32程度から）・チャネル幅・層数（4層前後）から出発します。

非周期境界・非構造格子への対応

FFTは周期性を仮定するため、非周期問題をそのまま入れると境界に折り返しアーチファクトが出ます。標準対策はドメインパディング（領域を拡張して滑らかにゼロへ落とす）です。また非構造メッシュ・複雑形状は素のFNOの弱点で、①一様格子への内挿（単純だが境界近傍で劣化）、②座標変換で計算領域を矩形化するgeo-FNO、③グラフNNと組み合わせるGINO系、が対応策になります。「複雑形状×非構造格子」が主戦場ならFNO以外（GNN系・DeepONet）との比較検討が必須です。

検証の規律——MLモデルもV&Vの対象

検証はホールドアウトの相対L2誤差だけでは不十分です。①目的量ベースの誤差（揚力・最大温度など下流で使う量）、②保存則チェック（質量・エネルギー収支の残差——FNOは保存則を保証しない）、③分布外検知（学習分布から外れた入力での劣化確認）、④スペクトル比較（エネルギースペクトルで高周波の欠落を定量化）、の4点を標準にします。特に②は、FNO予測をそのまま後段の解析に流すと収支の合わない場が混入する、という事故の予防線です。

実務適用の指針

投資回収の算段——データ生成コストを回収できるか

FNO導入の経済性は単純な算数で判断できます。学習データにFOM実行 \( N_{train} \) 回（+学習コスト）を先払いし、以後の評価がほぼ無料になる——つまり運用での評価回数が \( N_{train} \) を大きく超える見込みがあるかが判断基準です。形状最適化（数千評価）・モンテカルロUQ（数万評価）・リアルタイムツイン（無限回）は回収可能、月に数回の設計検証しかしない用途は回収不能です。回収不能な規模ならクリギング（数十点で構築可）が正解です。

サロゲート系手法の使い分け（再整理）

推奨導入ステップ

1. ベンチマーク再現 — 公開データセット（Darcy流れ・Navier-Stokes等）で実装と学習パイプラインを確立
2. 自社問題の小規模版 — 2D・単純形状で数百ケースを生成し、精度とデータ量の関係（学習曲線）を実測
3. 学習曲線から本番のデータ量を見積り — 目標精度に必要な \( N_{train} \) を外挿してから本番データ生成に投資
4. 運用 — 分布外検知とFOMフォールバックをセットで配備

実装とツール

実装の選択肢

学習・運用の実務メモ

• 再現性 — シード・データ分割・正規化定数を成果物として保存（正規化定数の不一致は運用時の定番事故）
• 混合精度 — FFTを含むためAMP使用時は精度劣化を検証してから
• モデルサイズ — モード数×幅×層の増加は過学習よりまずメモリに効く。学習曲線を見て最小構成から
• バージョン管理 — データ生成に使ったFOMの設定（メッシュ・スキーム）もモデルの一部として記録。FOM側を変えたら再学習が原則

先端研究の動向

物理拘束との融合（PINO）

FNOの損失にPDE残差を加えるPINO（Physics-Informed Neural Operator）は、データ駆動と物理拘束の折衷です。データが少ない領域を物理が補い、保存則の破れも抑制されるため、データ生成コストの削減と物理整合性の改善を同時に狙える路線として研究が集中しています。微分の評価はフーリエ空間で厳密に取れるため、PINNより残差計算が効率的という利点もあります。

大規模化と「シミュレーション基盤モデル」

FNO系は気象予報（球面調和関数版のSFNO・FourCastNet）で数値予報に迫る精度を桁違いの速度で達成し、大規模化の有効性を示しました。この流れは「多様な物理・幾何で事前学習した汎用演算子を、個別問題に微調整する」シミュレーション基盤モデルの構想へ発展しています。CAE実務への含意は、将来的に「自前データ数百件＋事前学習モデルの微調整」でデータ要件が下がる可能性がある、という点です。

形状汎化——geo-FNO・GINO・点群系

実務CAEの入力は「形状そのもの」であることが多く、矩形格子前提のFNOをどう形状汎化するかが焦点です。座標変換学習（geo-FNO）、SDF（符号付き距離場）入力、グラフ演算子との複合（GINO）、点群トランスフォーマ系まで選択肢が急速に増えており、自動車外流・翼型のような「形状→場」問題でFOM比数千倍の高速化の報告が続いています。形状分布の設計（学習形状の多様性）が精度を支配する点は、他のサロゲート同様です。

トラブル対応

症状別の原因と対策

「データは何件必要か」への答え方

関連記事：PINN流体解析、縮約次数モデル（ROM）、クリギングサロゲート。