[論文レビュー] GenPANIS: A Latent-Variable Generative Framework for Forward and Inverse PDE Problems in Multiphase Media

Matthaios Chatzopoulos, Phaedon-Stelios Koutsourelakis|arXiv (Cornell University)|Feb 16, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

GenPANISは、離散的なマイクロ構造を連続潜在空間に埋め込み、マルチフェーズ媒体の前方および逆PDE問題を解くための微分可能推論と principled な不確実性量化を可能にする、効率的な物理認識デコーダを備えた統一確率的フレームワークです。

ABSTRACT

Inverse problems and inverse design in multiphase media, i.e., recovering or engineering microstructures to achieve target macroscopic responses, require operating on discrete-valued material fields, rendering the problem non-differentiable and incompatible with gradient-based methods. Existing approaches either relax to continuous approximations, compromising physical fidelity, or employ separate heavyweight models for forward and inverse tasks. We propose GenPANIS, a unified generative framework that preserves exact discrete microstructures while enabling gradient-based inference through continuous latent embeddings. The model learns a joint distribution over microstructures and PDE solutions, supporting bidirectional inference (forward prediction and inverse recovery) within a single architecture. The generative formulation enables training with unlabeled data, physics residuals, and minimal labeled pairs. A physics-aware decoder incorporating a differentiable coarse-grained PDE solver preserves governing equation structure, enabling extrapolation to varying boundary conditions and microstructural statistics. A learnable normalizing flow prior captures complex posterior structure for inverse problems. Demonstrated on Darcy flow and Helmholtz equations, GenPANIS maintains accuracy on challenging extrapolative scenarios - including unseen boundary conditions, volume fractions, and microstructural morphologies, with sparse, noisy observations. It outperforms state-of-the-art methods while using 10 - 100 times fewer parameters and providing principled uncertainty quantification.

研究の動機と目的

• 複数相媒体における離散的で高次元のマイクロ構造を学習するという課題に対する動機付けと対処。
• 単一アーキテクチャ内で前方予測と逆推論の両方をサポートする統一的生成モデルの開発。
• 連続潜在埋め込みを通じて勾配ベースの推論を可能にしつつ、離散マイクロ構造を保持。
• ラベルなしデータ、仮想データ（PDE残差）、限られたラベル付きデータを活用して、物理整合性のある代理モデルを訓練。
• 境界条件とマイクロ構造が変化しても不確実性量化と外挿能力を提供。

提案手法

• 離散マイクロ構造を連続潜在空間 z に埋め込み、マイクロ構造を緩めずに微分可能な推論を可能にする。
• RealNVP正規化フローを用いた学習可能な事前分布 p_theta(z) を使い、多峰性の潜在構造を捉える。
• 離散マイクロ構造のデコーダ p_theta(x|z)（二値にはロジスティックPCA、マルチフェーズにはカテゴリカル）と、PDE解 u のデコーダ p_theta(u|z) を、物理認識の粗視解デコーダを介して実装。
• z をニューラルマッピング f_theta で PDE 入力に結合するが、PDE 出力は粗い解法オペレータ Y(X) とリフティング h(Y) を介して y を得ることで、微分可能な物理情報ボトルネックを作る。
• 三つのデータモダリティ—ラベルなしマイクロ構造、仮想PDE残差データ、ラベル付きマイクロ構造–PDE解のペア—を、単一のELBOベースの目的関数（SVI）で訓練。
• 潜在空間で条件づけを行い同一モデル内で前方と逆のタスクを実現し、z による事後推論（例：HMC）を行って x を生成したり u を予測したりする。

実験結果

リサーチクエスチョン

• RQ1 潜在変数 GenPANIS フレームワークは、希薄またはノイズを含むPDE観測から離散マイクロ構造を復元できるか（逆問題）、物理的忠実性を犠牲にせずに？
• RQ2 物理認識デコーダを備えた統一生成アプローチは、マルチフェーズ媒体の前方・逆PDE問題においてタスク固有モデルを上回るか？
• RQ3 限られたラベルデータで、未知の境界条件・体積分率・マイクロ構造形態に対してどれだけ外挿できるか？
• RQ4 多相系の前方予測と逆復元の丮程の不確実性量化を、原理的に提供できるか？

主な発見

• GenPANISは、未見の境界条件、体積分率、マイクロ構造を含む外挿的状況で精度を維持する。
• この手法は、最先端のアプローチを上回りつつ、パラメータ数を10〜100倍削減する。
• 潜在空間での事後サンプリングを通じて原理的な不確実性量化を提供する。
• ラベルなしデータ、仮想データ（PDE残差）、限られたラベル付きデータを活用して訓練することで、大規模なラベル付きデータセットへの依存を低減。
• 物理認識の微分可能な粗視解デコーダは支配方程式を保持し、様々な条件への外挿をサポート。
• 潜在空間での事後推論は、逆問題の勾配ベース推論と、データ効率の良い前方予測を可能にする。