PINNの基礎理論 — トラブルシューティングガイド

PINNの基礎理論でよくある問題と対処法をまとめる。

症状: 訓練誤差は小さいが検証誤差が大きい。訓練データへの過度な適合が発生。

対処: 正則化（L2, Dropout）の追加、データ拡張、交差検証によるハイパーパラメータ調整。早期停止(Early Stopping)の導入。

症状: 検証データでの精度がR²<0.9に留まり実用的な予測が困難。

対処: 特徴量エンジニアリングの見直し、サンプル数の増加、モデル複雑度の段階的向上、アンサンブル手法の適用。

症状: 損失関数が振動・発散し収束しない。

対処: 学習率の低減またはスケジューラ導入、バッチ正規化の追加、勾配クリッピングの適用。

症状: GPUメモリ不足(OOM)エラーや学習時間の超過。

対処: バッチサイズ削減、混合精度学習(FP16)、モデル並列化、勾配チェックポインティングの導入。

症状: 学習データの不足、偏り、ノイズによりモデル性能が低下する。

対処: データ拡張(物理的な対称性の活用)、能動学習による効率的なデータ収集、ロバスト学習手法の適用。外れ値検出と除去のパイプラインを構築する。

症状: 損失関数が振動し続ける、またはNaN/Infになる

考えられる原因:

• 学習率が高すぎる
• データの正規化が不適切
• ネットワークが深すぎる（勾配消失/爆発）

対策:

• 学習率を1/10に下げて再試行
• 入力・出力の標準化を確認（平均0、分散1）
• 勾配クリッピングの導入: torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)
• バッチ正規化/層正規化の追加

症状: 訓練データに対する予測は良好だが、未知データでの精度が低い

対策:

• ドロップアウト層の追加（率: 0.1-0.5）
• 訓練データの増量（追加シミュレーション、データ拡張）
• モデルの複雑さを低減（層数・ニューロン数の削減）
• 早期停止（Early Stopping）の厳格化

症状: 負の濃度、エネルギー非保存などの非物理的な出力

対策:

• 物理制約を損失関数に追加（PINN的アプローチ）
• 出力層に活性化関数を追加（ReLUで非負制約等）
• 後処理で物理的な補正を適用

1. エラーメッセージの完全な記録（ログファイルの保存）

2. 最小再現ケースの作成（形状・条件を単純化）

3. 既知のベンチマーク問題での動作確認

4. 前バージョンでの動作確認（ソフトウェアのバグの可能性）

• メッシュ品質指標の確認（アスペクト比、ヤコビアン、非直交性）
• 材料パラメータの単位系と値の妥当性
• 境界条件の物理的整合性（力の釣り合い、エネルギーバランス）
• 初期条件の妥当性

1. 最小構成（単一要素、単純形状）で解が得られることを確認

2. 荷重/境界条件を段階的に追加

3. 非線形性を段階的に導入

4. 問題が発生する条件を特定

• 反力の合計がゼロ（外力と釣り合い）であることを確認
• エネルギーバランスの確認（入力エネルギー ≈ 歪みエネルギー + 散逸エネルギー）
• 変位・応力のオーダーが手計算や理論解と一致することを確認
• 結果のメッシュ依存性が十分小さいことを確認

A: まずメモリ使用量を確認。メモリ不足の場合はアウトオブコア解法に切替。CPU負荷が低い場合はI/Oボトルネックの可能性。

A: 要素タイプ、積分スキーム、収束判定基準の差異を確認。同一条件での比較にはメッシュ変換の影響にも注意。

A: 応力特異点（ノッチ、角部）の存在を確認。特異点近傍ではメッシュ細分化しても値は収束しない→サブモデリングや応力線形化を適用。

5W1H分析: いつ（When）、どこで（Where）、何が（What）、なぜ（Why）、誰が（Who）、どうやって（How）エラーが発生したかを整理する。

二分探索法: 正常に動作する最小ケースから出発し、条件を段階的に追加して問題箇所を特定する。各ステップで1つの変更のみ行い、原因を切り分ける。

• ソフトウェアのバージョン番号とOS情報
• 完全なエラーメッセージ（スクリーンショットではなくテキストコピー）
• 問題を再現する最小入力ファイル
• 試行した対策とその結果
• ハードウェア情報（CPU、メモリ、GPU）

うん、いい調子だよ！ 実際に手を動かしてみることが一番の勉強だからね。分からないことがあったらいつでも聞いてくれ。