AIが解く世界の難問 · 計算機科学の理論 · arXiv · 2026-10-20
安価な物理はいつ役立つか：サンプル削減の理論保証を備えたゲート付きマルチフィデリティ物理情報ニューラルネットワーク
原題: When Does Cheap Physics Help? Gated Multi-Fidelity Physics-Informed Networks with Provable Sample Savings and Conformal Guarantees
パラメータ付き偏微分方程式の高忠実度シミュレーションは高価であり、粗い格子や単純化した物理といった安価な低忠実度モデルがいつ高忠実度計算の削減に寄与するかは明確でなかった。解析に基づき、低忠実度モデルをどこで信頼するかを学習し、信頼できない領域では物理のみの学習に切り替えるゲート付きマルチフィデリティPINN「GaMF-PINN」と、高忠実度解全体を有限サンプルで確率1-α以上で含む不確実性帯を返す共形手続きを提案した。ベンチマークMFPDE-Benchにおいて、標準的な高忠実度PINNと同精度を最大で8分の1の高忠実度計算回数で達成し、低忠実度モデルを意図的に破壊しても頑健で、ベイジアンPINNや深層アンサンブルが被覆率を下回る中で名目通りの被覆を達成した。