arXiv cs.LGは9月17日(現地時間)、Muhammad Akbar Khan氏らによる「A Data-Free Physics-Informed Neural Operator for Level-Set Interface Advection」と題された研究論文を公開しました。この研究は、レベルセット界面移流における界面問題に対応するオペレータを、参照解データを用いることなく学習させる新しい手法を提示しています。初期界面から所定の流れの下での完全な時空間軌跡をマッピングすることを目的としています。
この研究は、参照解データなしで界面移流問題に対応するオペレータを学習させる革新的なアプローチを提示しています。通常の物理情報ニューラルネットワーク（PINN）やニューラルオペレータは、訓練データとして参照解を必要としますが、この手法では、移流残差と幾何学的制約のみを利用し、参照解を目的関数に組み込みません。これにより、時空間フーリエバックボーンを通じて全軌跡を一度に処理し、初期条件は構築によって課せられます。
既存のデータ依存型手法では、アンカリング項と残差項の間に競合が生じることがありますが、このデータフリーアプローチはこの競合を解消します。論文では、データフリーアプローチのコストを定量化するため、同一のアーキテクチャ、ファミリ、予算、およびテストセットの下で訓練された教師ありオペレータおよびハイブリッドオペレータをベースラインとして比較しています。これは、純粋な物理駆動型学習の性能を客観的に評価するためのものです。
実験では、まずreversed single vortexシナリオで性能が評価されました。データフリーオペレータは100個のホールドアウトされた初期界面に対して1.614 ± 0.067%の相対L2誤差を記録しました。これは教師ありベースラインの0.369 ± 0.035%と比較して約4.4倍の差でした。次に、solid-body rotationシナリオでは、データフリーオペレータで3.804 ± 1.075%、教師ありベースラインで2.576 ± 0.159%となり、約1.5倍の差が生じました。この性能差は、eikonal constraintの適用に起因するとされています。
特筆すべきは、eikonal constraintが有効な場合、物理学習オペレータがフィールド誤差が大きいにもかかわらず、教師ありベースラインよりも囲まれた領域を2.7倍効率的に保存する能力を示した点です。これは、特定の物理的制約を組み込むことで、全体的な精度だけでなく、物理的整合性や保存則の遵守において優位性を示す可能性があることを示唆しています。
参考: arXiv cs.LG (アーカイブ) — 2026年10月2日 13:00 (JST)