観測データからの解釈可能な発見

観測データから直接支配方程式を発見することは、従来の予測的機械学習とは異なる方法論的な転換を意味します。予測精度の最適化だけを目指すのではなく、方程式発見は物理系の動態を特徴づける偏微分方程式（PDE）の基礎構造を復元することを目指しています。この復元により科学的解釈が可能になります。つまり、システムがなぜそのように振る舞うのかを説明する能力が得られるのであり、単に何が起こるかを予測するだけではありません。

観測データから出発し、予測モデル（ニューラルネットワーク）と方程式発見（シンボリック回帰）の2つのアプローチに分岐。予測モデルは『何が起こるか』を出力し高精度だが解釈困難、方程式発見は『なぜそれが起こるか』を数式で出力し解釈可能で因果関係を明示することを示す比較フロー図。

  • 図2：予測モデルと方程式発見の方法論的差異*

形式的要件としての解釈可能性

予測モデルと解釈的モデルの運用上の区別は、測定可能な結果をもたらします。流体力学データで訓練されたニューラルネットワークは、訓練領域内での速度場予測に高い精度を示します。しかし、機械的な説明を提供せず、通常は外挿に失敗します。一方、発見されたナビエ・ストークス方程式は、運動量と質量輸送を支配する保存則をエンコードしています。この違いは単なる教育的なものではありません。解釈可能なモデルは、（1）訓練条件を超えた原理的な外挿、（2）物理定数に基づいたパラメータ推定、（3）既知の物理的制約に対する体系的な検証を可能にします。これにより領域専門家は矛盾や未モデル化現象を特定できます。

ここでの解釈可能性は、発見された動態をシステム変数間の明示的な数学的関係として表現する能力として運用的に定義されます。係数と関数形式は物理的解釈を認めるものです（Brunton & Kutz, 2019; Raissi et al., 2019）。

制約としての物理的不変性

複数ソースからの発見の理論的基礎は、特定の仮定に基づいています。物理系の支配方程式は、システムが一貫したレジーム内で動作し、基本的なメカニズムが抑制または活性化されない限り、実験条件全体で不変のままです。

この仮定は普遍的ではありません。以下の場合に成立します。

  • 平衡近くの線形または弱非線形システム
  • 支配的な物理が変わらないプロセス（例えば、異なる幾何学的形状全体での拡散支配的な熱伝達）
  • 境界条件またはパラメータを変更するが、基礎となる物理メカニズムは変わらない実験的変動

以下の場合には成立しません。

  • 相転移または分岐が発生する場合
  • 複数の競合メカニズムが異なるスケールまたは条件で活性化される場合
  • 測定モダリティがデータセット間で異なる体系的バイアスを導入する場合

不変性の仮定の下では、ある温度・圧力レジームから導出された燃焼反応速度論モデルは、両方が速度論的（拡散制限ではない）レジーム内に留まる限り、別のレジームでの速度を予測すべきです。同様に、小さな荷重下での梁のたわみに適合した弾性方程式は、より大きな荷重下でのたわみを予測すべきです。ただし、材料の非線形性または破壊メカニズムが活性化されるまでです。

複数ソース制約を通じた冗長性とロバスト性

複数のデータセットが異なる条件下で同じ物理系をキャプチャする場合、候補方程式に対して冗長な制約を課します。形式的には、データセット $D_i$ がパラメータ $\boldsymbol{\theta}$ を持つPDE $\mathcal{L}(\mathbf{u}; \boldsymbol{\theta}) = 0$ で支配されるシステム動態によって生成され、データセット $D_j$ が異なる境界条件または初期条件の下で同じPDEによって生成される場合、両方のデータセットは同じパラメータセット $\boldsymbol{\theta}$ を制約します。

  • 具体例：* 一次元熱拡散を考えます。データセット $A$ は長さ $L_1$ のロッドの温度 $u(x,t)$ を記録します。データセット $B$ は長さ $L_2$ のロッドの温度を記録し、両方とも以下で支配されます。

$$\frac{\partial u}{\partial t} = \alpha \frac{\partial^2 u}{\partial x^2}$$

熱拡散率 $\alpha$ は材料特性であり、両方のデータセットで同一です。PDEをデータセット $A$ だけに適合させると、測定ノイズで破損した推定値 $\hat{\alpha}_A$ が得られます。データセット $B$ だけに適合させると $\hat{\alpha}_B$ が得られます。両方に同時に適合させ、単一の $\alpha$ が両方のデータセットを説明することを強制すると、推定値の分散が減少し、いずれかのデータセットのローカルノイズアーティファクトに対するロバスト性が増加します。

この冗長性は複数ソース発見の主な利点です。一つのデータセットのノイズが、ノイズソースが独立または弱く相関している限り、別のデータセットで同じ方程式形式を破損する可能性は低くなります。

選択メカニズムとしての競争的最適化

競争的最適化は異なる問題に対処します。どの候補方程式が真の基礎物理を最もよく表すかについての不確実性の下でのモデル選択です。

手順は以下のように動作します。

  1. 候補生成： 各データセット $D_i$ について、候補モデル $M_i$（例えば、スパース回帰モデルまたはニューラルネットワーク）を訓練して候補方程式 $\mathcal{L}_i$ を発見します。

  2. 交差検証： 各候補 $\mathcal{L}_i$ をそれが訓練されたデータセットだけでなく、すべてのデータセット $D_1, D_2, \ldots, D_n$ で評価します。

  3. 選択： すべてのデータセット全体で予測誤差（または残差）を最小化する候補方程式を保持します。

競争は各候補に汎化を強制します。$D_i$ のノイズに過剰適合した方程式は $D_j$ で性能が低下し、したがって競争に負けます。すべてのソース全体で真の不変構造をキャプチャする方程式だけが選択を生き残ります。

  • 仮定：* この手順は、（a）真の支配方程式が候補セット内にあり、（b）異なるデータセットのノイズが十分に独立しており、一つのデータセットへの過剰適合が他のデータセットでの性能を低下させることを仮定しています。すべてのデータセットが共通の体系的バイアスで破損している場合、競争的選択は真の方程式を特定できない可能性があります。

実践のための実行可能な含意

複数の条件下での物理系からの観測データを分析する場合：

  1. データ分離を保持する： 発見前にデータセットをマージまたは平均化しないでください。マージすると、どの測定値がどの実験条件に対応するかについての情報が破棄され、平均化は堅牢な方程式復元を可能にする冗長性を抑制します。

  2. 不変性仮定を形式化する： データセット全体で一定のままであると予想される側面（例えば、材料特性、支配メカニズム）と変動すると予想される側面（例えば、境界条件、初期状態、システムジオメトリ）を明示的に文書化します。

  3. 複数ソース入力用に発見パイプラインを構造化する： 方程式発見アルゴリズム（スパース回帰、シンボリック回帰、またはニューラルネットワークベースのいずれであれ）を複数のデータセットを受け入れるように構成し、発見された方程式がすべてのデータセットを同時に満たすことを強制するか、候補方程式全体で競争的選択を実装します。

  4. 事後的に不変性を検証する： 発見後、復元された方程式が各データセットに独立して適合させたときに一貫したパラメータ推定値を生成することを確認します。大きな不一致は、不変性仮定が違反されたか、未モデル化現象が存在することを示唆しています。

このアプローチは、物理系が実験条件全体でサンプリングされた不変支配則に従う限り、単一データセット法よりも高い忠実度と広い妥当性を持つ方程式を復元します。

単一データセットのボトルネックと識別可能性制約

データセット数が1から8に増加するにつれて、候補方程式の数が1024から8に指数関数的に減少し、識別可能性スコアが0.15から0.96に単調増加することを示す二軸折れ線グラフ。データセット統合により正しい方程式への収束が加速することを視覚化している。

  • 図5：マルチソースデータ統合による識別可能性の改善（出典：Multi-source identifiability improvement metrics）*

単一データセットから複数の候補方程式が生成される過程を示す図。1つの観測データセットが方程式候補生成プロセスに入力され、異なる3つの方程式候補（線形、二次、三角関数）が生成される。これらすべてが同等のデータ適合度を示すため、Identifiability問題が発生し、一意な解を決定できない状況を表現している。

  • 図4：単一データセットのボトルネック：複数の候補方程式の生成とIdentifiability問題*

単一データセット発見における識別可能性問題

現在のデータ駆動型方程式発見ワークフローは通常、単一のデータセットで動作します。これは性能に対する根本的な制約を生み出します。観測が疎である、ノイズが多い、または狭いパラメータ範囲に限定されている場合、状態空間を通る単一の軌跡は、複数の異なる支配方程式と一致する可能性があります。これが識別可能性問題です。形式的には、システム構造と測定カバレッジが与えられた場合、利用可能な測定から因果パラメータを一意に決定できるかどうかという問題として定義されます（Raue et al., 2009; Chis et al., 2011）。

  • 数学的定式化：* パラメータ化されたPDEシステム $\mathcal{L}(\mathbf{u}, \boldsymbol{\theta}) = 0$ を考えます。ここで $\mathbf{u}$ は解場であり、$\boldsymbol{\theta} \in \mathbb{R}^p$ はパラメータベクトルです。パラメータベクトル $\boldsymbol{\theta}^$ は、システムから完全なノイズなしデータが与えられた場合、観測を満たす一意の解である場合、構造的に識別可能です。パラメータは、利用可能なデータ（有限、ノイズ）が $\boldsymbol{\theta}^$ と近い代替案を統計的に区別することを許可する場合、実用的に識別可能です。