機械嗅覚における物理閉鎖の重要性：同定可能な動的ガス分解のためのマクスウェル・ステファングラフソルバー

機械嗅覚の分野では、センサ応答からガス組成を推定する「ガス分解（unmixing）」が極めて難しい逆問題として知られています。センサ信号は化学物質の輸送、表面吸着、センサ変換といった複数の物理プロセスが絡み合い、低次元・遅延・混合した形で得られるため、本質的に不良設定となります。従来のニューラルネットワークは物理的な閉じた過程を無視して単にセンサトレースに適合するよう設計されることが多く、これが「物理閉鎖の誤特定（physics closure misspecification）」と呼ばれる大きな障害となっていました。

本研究では、ガス分解をマクスウェル・ステファン多成分輸送PDE、競争吸着ODE、非線形センサ変換ODEに支配された多物理場拘束付き逆問題として定式化しました。提案手法UnMixNetは、これらの物理過程をグラフニューラルネットワークに埋め込み、エンドツーエンドでガス分解を実現します。具体的には、マクスウェル・ステファンクロス拡散を空間グラフ上で離散化し、各エッジに多成分フラックスを定義することで、局所的かつ微分可能でフラックス保存的な推論を可能にします。

SmellNetデータセットを用いた評価では、単一臭気認識、既知混合ガスの分解、未見混合ガスへの一般化において優れた性能を示しました。さらに、UCI Dynamic Gas Mixturesによる外部検証では、推定濃度プロセスが動的遷移下での基準濃度設定値と一致することが確認されました。プロセス一貫性診断により、学習された動的物理指紋が輸送・保存・吸着・読み出し閉鎖をより良く満たすことを示しています。この研究は、機械嗅覚に物理的基盤を提供し、現実環境での電子鼻応用への道を拓くものです。