計算科学の最も深い野心の一つは、乱流流体、化学反応、生態系といった複雑なシステムを観察し、その挙動を支配する数学的ルールを抽出することである。これは「方程式発見」または「記号回帰」と呼ばれ、何十年も追求されてきた。課題は、実世界のデータがノイズが多く、マルチスケールで、不完全であることだ。SINDy（非線形ダイナミクスのスパース同定）のような古典的手法は、わずかなノイズでも機能しなくなる。ニューラルネットワークのアプローチは堅牢ではあるが、ブラックボックスを生成する：予測はできても説明はできない。
中国科学院の一部である瀋陽自動化研究所のチームが、両方の長所を組み合わせたフレームワークを開発した。PK-MCL（Physics-Koopman Multi-scale Contrastive Learning）と呼ばれるこのフレームワークは、最大10%のノイズ、欠落した空間領域や時間ギャップを含むデータから、クリーンで物理的に解釈可能な支配方程式を抽出できる。この研究は7月13日にNature Communicationsに掲載された。
「私たちのフレームワークは、問題を静的な曲線フィッティングから制約付き動的推論へとシフトさせます」と、責任著者のXiaofeng Zhou氏は述べた。「回復された方程式は、訓練データに適合するだけでなく、長い時間 horizon にわたって安定した物理的に意味のある予測を生成しなければなりません。」
3つのモジュール
PK-MCLは3つのコンポーネントを統合する。1つ目はマルチスケールKoopmanニューラル演算子で、フーリエ変換を使用して入力フィールドを異なる周波数帯域に分解し、本質的に高速と低速のダイナミクスを分離し、各帯域を学習された潜在空間で線形に進化させる。このスペクトル分解は、流動する流体に埋め込まれた化学反応のように、異なる物理プロセスが異なる時間スケールで動作するシステムに不可欠である。
2つ目のコンポーネントは物理誘導スパース投影で、出力方程式が事前指定されたライブラリ、多項式、空間微分、その他の解釈可能な構成要素から構成されるよう制約する。これは事後的な修正としてではなく、訓練プロセスに直接組み込まれており、ニューラルネットワークが最初からコンパクトな方程式を特定するように明示的に導かれる。
3つ目のコンポーネントはマルチビュー一貫性正則化で、自己教師あり学習（BYOLアーキテクチャ）から借用したもので、入力の異なる摂動、マスキング、ノイズ注入、時間的ドロップアウトに対して不変な表現をモデルに生成させる。これによりロバスト性が劇的に向上する。
3つのコンポーネントは、予測精度、方程式のスパース性、表現の一貫性のバランスを取る単一の損失関数を通じて共同で訓練される。
ベンチマーク
研究者らは、PK-MCLを一連の標準システムでテストした：バーガース方程式（非線形移流拡散モデル）、2次元FitzHugh-Nagumo反応拡散系、2次元Navier-Stokes渦度方程式。すべてのケースで、PK-MCLは10%の測定ノイズ下でも、古典的なSINDyとその変種が完全に機能しなくなる条件でも、高い忠実度で正しい支配方程式を回復した。
このフレームワークはまた、安定した長期予測を示し、数百のタイムステップにわたって精度を維持し、未見の初期条件や動作レジームに一般化した。Navier-Stokesベンチマークでは、ベースラインが捉えられなかった大規模な渦構造とエネルギーカスケードを保存した。
合成ベンチマークを超えて、チームは産業用粉砕・分類回路からの実際のセンサーデータ、8つの測定変数、センサーノイズ、欠落サンプルを含む鉱物処理システムでPK-MCLを検証した。フレームワークは、既知のプラント挙動と一致する変数間の物理的に意味のある関係を抽出した。
解釈可能性の理由
標準的なニューラルネットワークとは異なり、PK-MCLは解釈可能な数学的項、すなわち移流、拡散、反応速度に直接マッピングするスパースな係数セットを出力する。ユーザーは単に予測を得るだけでなく、方程式を得る。そしてスペクトル分解により、どの周波数帯域がどの現象を支配しているかが明らかになり、追加の物理的洞察が得られる。
いくつかの注意点がある。この方法は事前指定された候補項のライブラリを必要とする。真の支配方程式がライブラリにない関数を使用している場合、回復は失敗する。ベンチマークは1次元および2次元システムに限定されており、3次元問題は計算的に負荷が高くなる。また、このフレームワークは不連続性や確率的ノイズのあるシステムではまだテストされていない。論文は最終編集前のプレプリントとして公開されている。
それでもなお、PK-MCLは自動化された科学発見の目標に向けた重要な一歩である：生データを機械に入力し、基礎となる物理学の理解を促進する簡潔で人間が読める方程式を得ること。気候科学からシステム生物学、工学に至るまで、この能力はモデルの構築方法を変革する可能性がある。
雅子 訳
Source: Jia, D., Li, S., Zuo, X. et al. “From data chaos to physically interpretable deterministic mapping.” Nature Communications (2026). DOI: 10.1038/s41467-026-75164-9