arXiv cs.LGは2026年6月26日(現地時間)、ニューラルオペレーターによる偏微分方程式 (PDEs) の解近似における不確実性推定の課題に対処する新たなフレームワーク「Physics-Informed Conformal Prediction (PI-CP)」に関する論文を発表した。この手法は、PDE残差を適合予測の不適合スコアに組み込むことで、分布によらず、かつ証明可能なカバレッジ保証と空間適応性を持つ予測区間を生成する。
マイケル・チン (Michael Chin) 氏による本論文は、Fourier Neural Operator (FNO) などのニューラルオペレーターが偏微分方程式 (Partial Differential Equations: PDEs) の解近似において高い精度を示す一方で、厳密な不確実性推定の提供が依然として課題であることを指摘している。
提案されたPhysics-Informed Conformal Prediction (PI-CP) は、PDE残差を分割適合予測 (split conformal prediction) の不適合スコア (nonconformity score) に組み込む。これにより、PI-CPは以下の特徴を持つ予測区間を生成する。一つは、分布フリーで証明可能なカバレッジ保証を持つ点。もう一つは、PDE残差が予測誤差と相関する場合に空間適応型となる点である。物理法則が満たされている箇所ではより狭い区間を、違反されている箇所ではより広い区間を生成する。
また、本研究では、FNOの並進等価性 (translation equivariance) がディリクレ境界条件 (Dirichlet boundary conditions) を持つPDEに対し、根本的な近似障壁を生み出すことを証明した。この課題は、座標チャネル (coordinate channels) を導入することで最大63倍のエラー削減をもって解決できることが示されている。
PI-CPの有効性は、熱伝導 (2次元/3次元)、構造力学 (2次元/3次元)、ダーシーフロー (Darcy flow)、ナビエ・ストークス (Navier-Stokes) の6つの物理シナリオで検証された。この結果、4つの適合手法 (Conformal methods) のすべてで89-91%の一貫したカバレッジが示された。一方で、MC DropoutとDeep Ensemblesは82-100%と不安定な結果を示した。
性能面では、FNOがCNNおよびDeepONetを10-12倍上回る結果も示されている。
参考: arXiv cs.LG (アーカイブ) — 2026年9月14日 13:00 (JST)
原文ハイライト"embedding PDE consistency into distribution-free uncertainty quantification for neural operators"