研究チームは最近、保存則によって支配される圧縮性流れ場を予測するための物理情報深層学習フレームワーク「CoFINN」（Conservation Flux Informed Neural Networks）を提案した。このフレームワークは、畳み込みニューラルネットワーク（CNN）の訓練プロセスに有限体積保存物理を直接組み込むことで、従来のデータ駆動型手法がピクセル単位の類似度のみを最適化する欠点や、古典的な物理情報手法が自動微分によって微分方程式残差を強制するものの離散保存特性を無視する問題を克服している。
CoFINNは、CNNの出力場を構造化された計算格子として解釈し、各ピクセルを有限体積セルと見なす。そして、洗練された数値流束計算を通じて保存一貫性を強制する。この設計により、フレームワークは現代の計算流体力学（CFD）手法と整合し、CNNサロゲートの計算効率を維持しながら、物理的一貫性と保存挙動を大幅に向上させる。
性能評価として、研究チームは遷音速流れ条件（マッハ数0.7、レイノルズ数6×10^6）における翼型周りの流れ予測を実施し、衝撃波や高迎え角を含む困難な状況を扱った。実験結果によれば、CoFINNは極端な迎え角で抵抗予測誤差を最大34%低減し、テストセット全体では平均約15%の低減を達成した。特にデータが限られた状況では、保存ベースの損失関数が効果的な物理的正則化として機能し、改善効果が顕著であった。
CoFINNフレームワークはアーキテクチャに依存せず、より広範な保存則に支配される物理システムに拡張可能であり、物理的に一貫性のある深層学習ベースの流れシミュレーションのための堅牢なソリューションを提供する。本研究はAdnan Harun Doğanらによって行われ、論文はarXiv（番号2607.06587）に提出され、28ページ、7つの図表からなり、コンピュータビジョンとパターン認識、流体力学の分野に及ぶ。