非構造メッシュ上のカオス力学のスケール認識学習：ビン分割スペクトル損失による

科学計算や工学分野において、高次元非線形力学系のサロゲートモデリングは困難な課題であり、特にカオス的な振る舞いを示す場合には、点ごとの精度だけでなく物理場のスケール依存構造を保存するメカニズムが必要です。構造化グリッド上では、フーリエモードによるビン分割スペクトル損失関数が効果的な監視を提供しますが、不規則なメッシュ（非構造メッシュ）では標準的なフーリエ基底が存在しません。本研究では、この問題に対処するため、ビン分割スペクトル損失を非構造メッシュに拡張します。

提案手法では、フーリエバンドをグラフラプラシアンの周波数バンドに置き換えることで、非構造メッシュ上でのスペクトル表現を構築します。グラフラプラシアンの固有空間を用いた全スペクトル版は、フーリエバンドパワーマッチングのグラフ類似物を提供しますが、スペクトル分解の高コストが課題です。そこで、スケーラブルな近似として、疎なチェビシェフ多項式グラフフィルタを用いて明示的な固有分解を回避します。さらに、マルチレベルグラフアーキテクチャを活用したGLEAM（Graph Laplacian Energy Alignment for Meshes）を導入し、グラフ階層全体で保持部分空間のスケール認識監視を適用することで、自己回帰ロールアウト中の粗い表現と細かい表現を正則化します。

実験は非構造メッシュ上の乱流予測で行われました。結果は、提案されたスペクトル損失が決定論的ベースラインと比較して、長期的なロールアウトの忠実度を向上させ、統計的不変量（エネルギースペクトルなど）を保存することを示しています。この研究は、非構造メッシュ上のカオス力学系のサロゲートモデリングに新たな視点を提供し、計算流体力学などの分野での応用が期待されます。本手法は、気候モデリングや航空宇宙工学など、複雑な流体現象のシミュレーションにおいて、精度と効率の両立を可能にする重要なブレークスルーとなるでしょう。