反応拡散系のパラメータ逆問題では、サロゲートモデルや物理情報ニューラルネットワーク（PINN）が一般的に用いられるが、最も直接的な手法である偏微分方程式（PDE）の構造自体を通じた逆伝播はほとんど避けられてきた。最近arXivに公開された論文（2606.11258）は、この直接的な経路を診断プローブとして採用し、勾配最適化が失敗する原因を深く分析している。
著者らは古典的なGray-Scott系を対象に、展開（unrolled）された定常シミュレーションを通じて損失を計算し、PDEパラメータに直接逆伝播する。サロゲートモデルやニューラルネットワークによる拡張は一切行わない。しかし、最適化は収束しなかった。失敗の原因を理解するため、損失景観を描画したところ、その幾何構造に顕著な特徴が見られた。すなわち、勾配信号が存在しない平坦なプラトー領域が広がり、その周囲を分岐境界に一致する急峻な崖が囲んでいるのである。この構造は異なる損失関数でも再現され、勾配がどのようにパラメータに伝達されるかに関わらず継承される。
この最小限の設定をPINNのアブレーションと見なすことで、著者らは各構成要素の役割を分離した。ニューラルネットワークを固定すると、残差損失はPDEパラメータに対して二次形式となり、滑らかな損失景観が得られる。これだけで既に病理を回避できるのは、残差損失が全ての初期条件にわたる完全なPDEダイナミクスを暗黙的に符号化しているからである。一方、ニューラルネットワーク自体は不正則なパラメータ部分空間を修復することはできず、観測データを補完する役割のみを担う。このような役割分担はこれまで明示されてこなかった。
これらの発見はPINN型手法の設計に具体的な示唆を与え、次元を追加することが実際に役立つのはどのような場合かという、より広範なヒューリスティックを提供する。本論文はICML 2026のAI4Physicsワークショップに採択され（非アーカイブ）、14ページ、10図からなる。