【論文レビュー】Physics-Informed Neural Networks for Turbulence Modeling

Reが10倍になると粘性残差は10分の1です。λがセンサー項を消すと、表の1%はその設定の数字ではなくなります。

論文情報

著者: Raissi, M., Perdikaris, P., Karniadakis, G. E.
学術誌: Journal of Computational Physics, Vol. 378, pp. 686–707, 2019
DOI: 10.1016/j.jcp.2018.10.045
arXiv: 1711.10561

一行要約

Navier-Stokes方程式をニューラルネットワークの損失関数に直接組み込む（Physics-Informed）ことで、わずかな圧力センサーだけで全速度場を逆算する方法を提案しています。

λ_PDE、λ_BC、λ_data のスライダーを動かすと、物理残差とセンサー項のどちらが損失面を傾けるかが変わります。

λ_PDE 1.0λ_BC 10λ_data 1.0Re 100

손실 가중치 λ가 너무 작으면 그 항이 안 떨어지고, 너무 크면 다른 항을 짓누른다. Re가 커지면 PDE 항이 stiff 해진다 — PINN의 핵심 난점.

データ項だけが深くなるとセンサーへの一致は残り、発散ゼロの条件は緩みます。物理項だけが深くなると方程式には近づきますが、圧力センサーと速度がずれます。

研究背景

従来のCFDは、2つの極端な手法の間に位置しています。

伝統的な手法 (k-ε, k-ω SST): 経験的なクロージャ係数に依存しています。Reynolds数や形状が変わると係数を再チューニングする必要があり、汎化能力が制限されます。

純粋なデータ駆動型ディープラーニング: 大量のラベル付きデータが必要であり、学習されたモデルが質量保存や運動量保存を保証しません。物理的に矛盾した予測を出しても、損失関数はそれを検知できません。

PINNsは、このギャップを埋める試みです。データが希薄であっても、物理法則が正則化（regularizer）の役割を果たします。

核心的な手法

PINNの総損失関数は、2つの項の和で表されます。

$\mathcal{L} = \mathcal{L}_{\text{data}} + \lambda \, \mathcal{L}_{\text{physics}}$

データ損失 $\mathcal{L}_{\text{data}}$ は、観測値（例：圧力センサー）とニューラルネットワークによる予測値の差です。

物理損失 $\mathcal{L}_{\text{physics}}$ は、非圧縮性Navier-Stokes方程式の残差（residual）です。

$\mathcal{L}_{\text{physics}} = \left\| \frac{\partial \mathbf{u}}{\partial t} + (\mathbf{u} \cdot \nabla)\mathbf{u} + \nabla p - \frac{1}{Re}\nabla^2\mathbf{u} \right\|^2 + \left\| \nabla \cdot \mathbf{u} \right\|^2$

第2項は連続の式（質量保存）です。ニューラルネットワークがこの残差を0にするように訓練されるため、予測値は常にN-S方程式を近似的に満足します。

微分は、PyTorchやTensorFlowの**自動微分（automatic differentiation）**で計算します。別途の数値離散化は必要ありません。

$\frac{1}{Re}$ が小さくなるとき時間積分がどう硬くなるかは、低マッハでも音を消さない漸近保存が格子側で示しています。こちらは同じ硬さを損失の重みとして受け取ります。

主要な結果

ケース	条件	結果
2D円柱周りの流れ	Re=100, 圧力センサーのみ使用	速度場の再構成誤差は1%未満, 渦の周波数を正確に復元
Lid-driven cavity	Re=1000	速度プロファイルがDNSの結果と1%以内で一致
Reynolds数の逆算	速度データのみから	Re値自体を学習パラメータとして識別することに成功

特に**逆問題（inverse problem）**の能力が印象的です。流動場からReynolds数を逆に推定したり、隠された圧力場を速度データだけで復元したりすることが可能です。これは従来の手法では不可能、あるいは非常に困難な問題です。

表の二つの Re を粘性項で割ってみます。円柱は Re=100、キャビティは Re=1000。10倍です。運動量残差の粘性部分は $\frac{1}{Re}$ なので、速度スケールが 1 付近なら対流 $(\mathbf{u} \cdot \nabla)\mathbf{u}$ は同じ大きさのまま、粘性だけが 10分の1 になります。連続残差 $\left\| \nabla \cdot \mathbf{u} \right\|^2$ に Re はありません。λ がデータ項と物理項の天秤なら、Re=1000 で粘性部分をセンサー項の隣に残すには、Re=100 のときより λ が頑張る必要があります。

円柱は圧力センサーだけで速度場の誤差 1%未満、渦の周波数まで復元です。キャビティは DNS と 1%以内。どちらも 1% の席です。その席は $\mathcal{L}_{\text{data}}$ と $\lambda \, \mathcal{L}_{\text{physics}}$ が互いを消さないときの席です。λ を上げてセンサー項が埋もれると、圧力数点は速度を 1% に縛れません。λ を下げると一致は残り、発散ゼロの条件は緩みます。表はバランスが取れた一点を記しただけで、λ を動かしても 1% が残るという意味ではありません。

Re の逆算は速度だけを渡し、Re を学習パラメータに置いた場合です。粘性項の係数そのものが未知数です。 $\frac{1}{Re}$ が違うと残差の粘性部分はまるごと別の大きさになり、データ項は速度を合わせるためにその誤差を圧力勾配へ隠せます。λ が小さいとその隠蔽は安いです。表の識別成功は、λ がその隠蔽を高くした設定での結果です。

実務適用の可能性

どのような時に有用か:

実験計測データが希薄な状況（センサーが数個しかない場合）
逆問題：計測値から物性値（粘度、Re）を逆算する必要がある場合
物理ベースのデータ補間：実験データの空白を物理法則で埋める場合

OpenFOAMやFluentですぐに代替可能か？

まだその段階ではありません。訓練時間はFVMソルバーと比較して数十倍から数百倍遅いです。単純なチャンネル流れ一つにGPUで数時間を要します。リアルタイムの工学解析用としては、現在は不向きです。

ただし、OpenFOAMとハイブリッドで使用する研究が活発に行われています。FVMで大まかな解を求め、PINNで詳細な補正を行うという方式です。

# PyTorchで実装した物理損失計算の例
def physics_loss(model, x, t, Re):
    x.requires_grad_(True)
    t.requires_grad_(True)
 
    output = model(x, t)
    u, v, p = output[:, 0], output[:, 1], output[:, 2]
 
    # 自動微分で偏微分を計算
    u_t = torch.autograd.grad(u.sum(), t, create_graph=True)[0]
    u_x = torch.autograd.grad(u.sum(), x, create_graph=True)[0][:, 0]
    u_y = torch.autograd.grad(u.sum(), x, create_graph=True)[0][:, 1]
    p_x = torch.autograd.grad(p.sum(), x, create_graph=True)[0][:, 0]
 
    # x方向の運動量方程式の残差
    residual_u = u_t + u * u_x + v * u_y + p_x - (1/Re) * (u_x + u_y)
 
    return (residual_u**2).mean()

λ を上げてセンサー項を消した場所

3次元の高 Re では、残差の高周波がネットワークに残りにくいです。境界層が薄いと訓練が揺れ、標準の PINN はその揺れ幅を返しません。領域を割るか、FVM の解を開始点にするかは、その次の選択です。

時間刻みを伸ばしても利得が切れる場所は、損失の重みと同じ種類の請求書です。Δt を5倍にして1.9倍しか速くならず、10倍ではその場だった窓が、その曲線です。λ も同じで、ある値のあとではセンサー項を消すだけです。