[論文レビュー] Physics-informed machine learning for reconstruction of dynamical systems with invariant measure score matching

Chen, Yongsheng, Suddhasattwa Das+2 more|arXiv (Cornell University)|Jan 19, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

彼らは PINN-IMSM を導入する。これはラベルなしデータから不変測度スコアを学習し、制約付きのスコアベース FP 方程式を用いて高次元動的システムを再構成するメッシュフリーのフレームワークである。

ABSTRACT

In this paper, we develop a novel mesh-free framework, termed physics-informed neural networks with invariant measure score matching (PINN-IMSM), for reconstructing dynamical systems from unlabeled point-cloud data that capture the system's invariant measure. The invariant density satisfies the steady-state Fokker-Planck (FP) equation. We reformulate this equation in terms of its score function (the gradient of the log-density), which is estimated directly from data via denoising score matching, thereby bypassing explicit density estimation. This learned score is then embedded into a physics-informed neural network (PINN) to reconstruct the drift velocity field under the resulting score-based FP equation. The mesh-free nature of PINNs allows the framework to scale to higher dimensions, avoiding the curse of dimensionality inherent in mesh-based methods. To address the ill-posedness of high-dimensional inverse problems, we recast the problem as a PDE-constrained optimization that seeks the minimal-energy velocity field. Under suitable conditions, we prove that this problem admits a unique solution that depends continuously on the score function. The constrained formulation is solved using a stochastic augmented Lagrangian method. Numerical experiments on representative dynamical systems, including the Van der Pol oscillator, an active swimmer in an anharmonic trap, and the chaotic Lorenz-63 and Lorenz-96 systems, demonstrate that PINN-IMSM accurately recovers invariant measures and reconstructs faithful dynamical behavior for problems in up to five dimensions.

研究の動機と目的

• 点雲データから時刻ラベルなしで動的システムを再構成する。
• 不変測度とFokker-Planck 方程式を活用して速度場を推定する。
• 高次元（最大五次元）で動作する頑健でスケーラブルな手法を開発する。
• 速度の再構成の適切性と安定性に関する理論的保証を提供する。

提案手法

• 不変測度のスコア関数 s(x)=∇log ρ(x) の定常状態 Fokker-Planck 方程式をスコア関数の観点から再表現する。
• 多重スケールのデノイジング・スコアマッチングを用いて unlabeled データからスコア s(x) を学習する。
• 学習したスコアを物理情報を組み込んだニューラルネットワークに埋め込み、スコアベースの FP 制約を介して速度場 v(x) を再構成する。
• 速度回復を FP 制約の下で速度エネルギーを最小化する PDE 制約付き最適化問題として再構成する。
• 確率的拡張ラグランジュ法で制約付き問題を解く。
• スコア関数に対する一意性と連続依存性を保証する理論結果を提供する。

Figure 3.1: Velocity field reconstruction from trajectory data without explicit time labels. From trajectory measurements (left), we first reconstruct the score function via denoising score matching (middle). This reconstructed score is then integrated into the PINN framework to infer the velocity f

実験結果

リサーチクエスチョン

• RQ1 不変測度のスコアを用いてラベルなしの点群データから動的システムの不変測度を再現できるか。
• RQ2 メッシュフリーの PINN フレームワークがスコアベース FP 方程式から漂移場を再構築し、適切性を保証できるか。
• RQ3 学習されたスコアが最大五次元までの次元拡張において再構成された速度場の精度と安定性にどう影響するか。
• RQ4 近似スコアに対して速度再構成の一意性と安定性に関する理論的保証は何か。
• RQ5 数値実験（Van der Pol、アクティブスイマー、Lorenz-63、Lorenz-96）は不変測度と動力学の正確な復元を検証しているか。

主な発見

• PINN-IMSM は不変測度を正確に再現し、ラベルなしデータから忠実なダイナミクスを再構成する。
• スコアベースの再表現によりメッシュフリーな高次元再構成が可能となる（最大五次元まで）。
• PDE 制約付き最適化は一意的で低エネルギーな速度場を生み出し、スコア関数に連続的に依存する。
• 理論的結果はスコア摂動に対する速度再構成の一意性とリプシッツ安定性を示す。
• 数値実験はカオス的な Lorenz-63 および Lorenz-96 を含む代表的系で忠実な不変測度と動力学の回復を示している。

Figure 4.1: Van der Pol oscillator ( 4.2 ) with $D=0.05$ . Top: ground-truth velocity field (left), reference invariant density (middle), and noisy trajectory samples (right). Bottom: PINN-IMSM reconstructed velocity field ${\bm{v}}_{\theta_{2}^{*}}$ (left), learned invariant density (middle), and s