PINN流体解析

PINN流体解析の理論基礎

PINNの基本構造

物理情報ニューラルネットワーク（PINN）は、流れ場 \( (\mathbf{u}, p) \) をニューラルネットワーク \( \mathcal{N}(\mathbf{x}, t; \theta) \) で表現し、支配方程式の残差を損失関数に組み込んで学習する枠組みです。微分は自動微分で厳密に計算されるため、メッシュが不要になります。損失は典型的に3項の重み付き和です。

$$ \mathcal{L}(\theta) = \lambda_{pde}\,\mathcal{L}_{PDE} + \lambda_{bc}\,\mathcal{L}_{BC/IC} + \lambda_{data}\,\mathcal{L}_{data} $$

\( \mathcal{L}_{PDE} \) はコロケーション点でのNavier-Stokes残差（運動量＋連続の式）、\( \mathcal{L}_{BC/IC} \) は境界・初期条件の残差、\( \mathcal{L}_{data} \) は実測・実験データとの差です。第3項の存在が重要で、データと物理法則を同じ土俵で融合できることがPINN最大の個性です。

流体特有の定式化の選択

先に知るべき「得意・不得意」の地図

学習を成立させる数値手法

損失バランスの調整が最大の難所

PDE残差・境界残差・データ残差はスケールが桁で異なり、固定重みでは一方が他方を支配して学習が失敗します。実務的な対処は次の順です。

• 無次元化の徹底 — 全項をO(1)に揃える。これだけで解決することも多い
• ハード境界条件 — 出力を距離関数で変形し境界条件を構成的に厳密満足させ、\( \mathcal{L}_{BC} \) 自体を消す（収束性が大幅改善）
• 自動重み調整 — 勾配ノルム比で \( \lambda \) を動的更新（GradNorm系）、NTK理論に基づく重み付け、残差ベースの適応重み

コロケーション点とネットワーク設計

コロケーション点は一様ランダム（またはLatin超方格）を基本に、残差の大きい領域へ点を追加する適応サンプリングが有効です。境界層・剥離点など勾配の急な領域は初期から高密度に配置します。ネットワークはMLP＋tanh活性化が標準で、高波数の流れ構造にはFourier特徴埋め込み（入力を三角関数で持ち上げる）がスペクトルバイアス（NNが低周波から学ぶ性質）への定番対策です。最適化は「Adamで大域的に下げ→L-BFGSで仕上げ」の2段構えが経験的に安定します。

高レイノルズ数の壁と分割戦略

Reが上がるほど流れ場は微細構造・強い非線形性を持ち、単一ネットワークのPINNは急速に困難になります。乱流のDNS的解像はPINNの守備範囲外で、現実的な上限は層流〜遷移域（Re数百〜数千のオーダー）です。対策として研究・実務で使われるのは、①領域分割（XPINN等：空間をサブドメインに分け界面で接続）、②時間因果性を尊重した学習（causal training：早い時刻から順に重みを付けて学習）、③RANSモデルと組み合わせて平均場を対象にする、の3方向です。

実務適用の手順

勝ちパターン——観測データからの場再構成

PINN流体解析の代表的な成功パターンは、疎でノイズを含む観測から物理整合な全場を推定する使い方です。

1. PIV/PTVデータ＋PINN — 面内速度の疎な計測から、連続・運動量を満たす速度場と計測不能な圧力場を同時復元
2. センサ数点からの流れ推定 — 壁圧・流量など少数観測と方程式で内部場を補間（純粋な内挿より物理的に妥当）
3. パラメータ逆推定 — 実効粘性・流入プロファイル・熱伝達係数を未知パラメータとして損失に含め、観測と同時に最適化

標準ワークフロー

1. 無次元化 — 代表長さ・速度でRe基準に整理。全変数をO(1)へ
2. 定式化選択 — 2D非圧縮なら流れ関数形式を第一候補に。境界条件はできる限りハード化
3. 学習設定 — MLP（4〜8層×64〜128ユニット）＋Fourier特徴、Adam→L-BFGS
4. 収束診断 — 損失値だけでなくPDE残差の空間分布を可視化（残差が偏在していれば適応サンプリング）
5. 検証 — 参照CFD解・保存量（質量流量収支・運動量収支）・ホールドアウト観測点で定量評価

検証は従来のV&Vと同じ規律で

PINNの結果報告には従来CFDのV&Vに相当する規律を適用します。損失が下がった＝解けた、ではありません。最低限、①独立な参照解（CFDまたは解析解）とのノルム誤差、②保存量チェック（断面の質量流量が一致するか）、③観測ホールドアウトでの予測誤差、④乱数シード・コロケーション再サンプルに対する結果の安定性、の4点を確認します。残差損失が小さくても大域誤差が大きいことは普通にあり得ます（残差と誤差は別物——この関係は従来数値解析の残差評価と同じです）。

フレームワークと実装

主要フレームワーク比較

DeepXDEでの実装骨格（2Dキャビティ流れの例）

import deepxde as dde

def ns_residual(x, y):            # y = (u, v, p)
    u, v, p = y[:, 0:1], y[:, 1:2], y[:, 2:3]
    u_x = dde.grad.jacobian(y, x, i=0, j=0); u_y = dde.grad.jacobian(y, x, i=0, j=1)
    # ... 各微分を自動微分で取得し、無次元NS残差3本(運動量2+連続)を返す

geom = dde.geometry.Rectangle([0, 0], [1, 1])
bc = [dde.icbc.DirichletBC(geom, lid_u, on_lid, component=0), ...]
data = dde.data.PDE(geom, ns_residual, bc, num_domain=5000, num_boundary=400)
net = dde.nn.FNN([2] + [64] * 6 + [3], "tanh", "Glorot normal")
model = dde.Model(data, net)
model.compile("adam", lr=1e-3); model.train(iterations=20000)
model.compile("L-BFGS"); model.train()   # 仕上げ

実務ではこの骨格に、無次元化・ハードBC・損失重み調整・残差分布の可視化を足していきます。学習履歴（各損失成分の推移）を必ず保存し、報告に添付します。

先端研究の動向

演算子学習（FNO・DeepONet）との使い分け

PINNが「1問題を1ネットワークで解く」のに対し、FNO（Fourier Neural Operator）やDeepONetは「境界条件・形状→解」という写像そのものを大量のCFD結果から学習します。一度学習すれば新条件の推論はミリ秒で、多数ケース評価（最適化・リアルタイム予測）ではPINNより演算子学習が優位です。逆に、データが1ケース分しかない逆問題・同化ではPINNが優位——「繰り返し評価は演算子学習、データ融合はPINN」という役割分担が定着しつつあります。両者を組み合わせた物理情報演算子学習（PINO）も活発です。

なぜ失敗するかの理論解明

PINNの学習失敗を説明する理論が近年整いました。NTK（ニューラルタンジェントカーネル）解析により損失項間の収束速度の不均衡が定量化され、自動重み付けの理論根拠になっています。またスペクトルバイアス（低周波優先学習）が境界層・高波数構造の学習を阻む機構、時間発展問題で後半時刻の残差最小化が因果を壊す機構（causal trainingの動機）などが解明され、「経験則だった対処法」が理論に裏付けられた処方箋になってきています。

微分可能ソルバーとのハイブリッド

従来ソルバー自体を自動微分可能に書き（微分可能CFD）、NNを乱流モデル・クロージャ項だけに使うハイブリッド路線が実用面で伸びています。数値解法の堅牢性・保存性はソルバーが保証し、モデル化誤差の学習だけをNNが担う構成で、純PINNの弱点（保存性・高Re）を回避できます。RANSクロージャの学習補正・LESのSGSモデル学習は産業応用に最も近い領域です。

トラブル対応

症状別の原因と対策

導入判断の目安

関連記事：PINN構造解析、PINN関連記事一覧、クリギングサロゲート（データ駆動の対比として）。