近年、物理インフォームドニューラルネットワーク（PINN）の分野で、データが不足する状況下での科学機械学習の性能を向上させる新しいフレームワークが提案されました。Reza Pirayeshshirazinezhad氏によるこの研究は、arXivプレプリント（2605.05217）として2026年4月17日に公開され、コンピュータサイエンスの機械学習分野に分類されています。
従来のPINNでは、物理残差とデータ損失の重み付けは固定またはヒューリスティックな方法に依存しており、手動調整が必要で最適性が保証されていませんでした。提案手法の中核は、学習可能な混合ニューロンを導入し、各項の不確実性に基づいてそれらの相対的な寄与を動的に調整することです。このメカニズムにより、手動調整なしで安定した訓練と汎化性能の向上が可能になります。この適応的バランシングは不確実性重み付けに類似していますが、ニューラルネットワークを通じてより直接的に学習されます。
さらに効率を高めるため、転移学習戦略を統合し、関連ドメインから表現を再利用して新しい物理システムに適応させます。具体的には、モデルはまず対象ドメインに関連するソースドメインで事前学習され、汎用的な特徴を抽出した後、対象ドメインで微調整されます。検証実験では、液体金属マイクロヒートシンク内の熱伝達予測タスクに焦点を当て、わずか87個のCFDデータポイントを使用しました。適応型PINNは誤差8%未満を達成し、浅いニューラルネットワーク、カーネル法、物理のみのベースライン（標準PINN、サポートベクトル回帰など）を上回りました。
このフレームワークは、物理知識をニューラルネットワークに適応的に埋め込むための汎用的なレシピを提供し、流体力学や材料モデリングなど、データが不足する科学分野において堅牢で再現可能なアプローチを実現します。データ駆動手法と物理駆動手法の融合を促進し、実験データの取得コストが高い工学的応用において、大量のラベル付きデータへの依存を低減できる点で重要です。論文はまた、この手法が偏微分方程式を伴う他の物理システムにも拡張可能であり、幅広い応用可能性を持つことを示唆しています。