物理情報に基づくAIと不確実性定量化：PDE整合性を取り入れたニューラル演算子

ニューラル演算子、特にフーリエニューラル演算子（FNO）は、偏微分方程式（PDE）の解を近似する際に目覚ましい精度を達成しています。しかし、その予測に厳密な不確実性推定を提供することは、依然として大きな課題でした。この課題に対処するため、物理情報に基づくコンフォーマル予測（PI-CP）という新しいフレームワークが提案されました。PI-CPは、PDEの残差をスプリットコンフォーマル予測の非適合度スコアに埋め込むことで機能します。このアプローチにより、PI-CPは（i）証明可能なカバレッジ保証を持つ分布フリーの予測区間を生成し、（ii）PDE残差が予測誤差と相関する場合に空間的に適応的な予測区間、すなわち物理法則がよく満たされる場所ではよりタイトに、違反される場所ではよりワイドな区間を提供します。これは、従来のコンフォーマル予測が持つ分布フリーの保証を維持しつつ、物理的制約というドメイン知識を効果的に活用することで、不確実性推定の精度と信頼性を飛躍的に向上させるものです。さらに、FNOの変換同変性がPDEに対する根本的な近似障壁を生み出すことも証明されており、これはニューラル演算子の設計において物理的整合性を考慮することの重要性を示唆しています。この研究は、AIが物理シミュレーションや科学計算といった分野で実用される際の、信頼性と説明可能性を大きく前進させるものと言えるでしょう。