保存運動量を持つ系におけるドメイン成長予測のための物理誘導畳み込みニューラルネットワーク

多くの物理、化学、生物系の時空間進化は非線形偏微分方程式（PDE）によって記述される。従来の数値解法は計算コストが高く、特に長時間シミュレーションや大規模系では実用的でない。近年、深層ニューラルネットワークに基づく代理モデルが効率的な代替手段として注目を集めている。本研究では、保存運動量を持つ系の微細構造進化を学習するために、注意機構を組み込んだ物理誘導畳み込みニューラルネットワーク（CNN）を提案する。

提案モデルは、Cahn-Hilliard方程式に支配される二元混合物の相分離を正確に予測するよう訓練される。Cahn-Hilliard方程式は、相分離ダイナミクスを記述する古典的なモデルであり、材料科学や流体力学で広く応用されている。研究チームは、注意機構を備えたCNNをエンドツーエンドで訓練し、時間発展全体を予測する。従来のブラックボックスニューラルネットワークとは異なり、このモデルは物理的ガイダンスを通じて保存則などの事前知識を統合し、一般化能力と物理的整合性を向上させる。

実験結果は、訓練された代理モデルが長時間のロールアウトにわたって安定かつ正確であることを示している。臨界混合物と非臨界混合物の両方において、モデルは相分離の進化を正確に追跡し、混合物の組成を保存する。さらに、モデルはドメインサイズの成長を正確に捉え、その予測はLifshitz-Slyozovドメイン成長則とよく一致する。この法則は、保存系におけるドメインサイズの時間に伴うべき乗則成長を記述し、相分離理論の核心的な結果の一つである。

提案フレームワークの有効性は、保存運動量系のモデリングにおける物理誘導深層学習の可能性を示している。研究チームは、この手法が流体力学の乱流や材料科学の結晶粒成長など、他の複雑な動的システムにも容易に拡張可能であると指摘する。この研究は、従来の数値解法に代わる新しいアプローチを提供し、核廃棄物処理における相変態予測や新型合金の設計など、長時間シミュレーションが必要な分野に大きな影響を与えると期待される。