[論文レビュー] Tackling multiphysics problems via finite element-guided physics-informed operator learning

Yusuke Yamazaki, Reza Najian Asl+3 more|arXiv (Cornell University)|Mar 2, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

有限要素ガイド付き物理情報演算子学習フレームワーク（FOL）を導入。FNO/DeepONet/iFOLバックボーンを用いて、ラベル付きデータなしで任意領域上の非線形多物理場PDEを離散化に依存しない予測で解く。

ABSTRACT

This work presents a finite element-guided physics-informed operator learning framework for multiphysics problems with coupled partial differential equations (PDEs) on arbitrary domains. Implemented with Folax, a JAX-based operator-learning platform, the proposed framework learns a mapping from the input parameter space to the solution space with a weighted residual formulation based on the finite element method, enabling discretization-independent prediction beyond the training resolution without relying on labaled simulation data. The present framework for multiphysics problems is verified on nonlinear thermo-mechanical problems. Two- and three-dimensional representative volume elements with varying heterogeneous microstructures, and a close-to-reality industrial casting example under varying boundary conditions are investigated as the example problems. We investigate the potential of several neural operator backbones, including Fourier neural operators (FNOs), deep operator networks (DeepONets), and a newly proposed implicit finite operator learning (iFOL) approach based on conditional neural fields. The results demonstrate that FNOs yield highly accurate solution operators on regular domains, where the global topology can be efficiently learned in the spectral domain, and iFOL offers efficient parametric operator learning capabilities for complex and irregular geometries. Furthermore, studies on training strategies, network decomposition, and training sample quality reveal that a monolithic training strategy using a single network is sufficient for accurate predictions, while training sample quality strongly influences performance. Overall, the present approach highlights the potential of physics-informed operator learning with a finite element-based loss as a unified and scalable approach for coupled multiphysics simulations.

研究の動機と目的

• 任意の幾何形状上で結合PDEを含む非線形多物理問題の物理情報演算子学習フレームワークを開発する。
• 離散化に依存しない予測を可能にするため、有限要素ベースの損失を組み込む。
• 2Dおよび3Dの問題、産業幾何形状を含む複数のニューラル演算子バックボーン（FNO、DeepONet、iFOL）と学習スキームを評価する。
• 学習戦略、ネットワーク分解、サンプル品質を調査し、性能と一般化を理解する。
• 異種材料と温度依存特性を有する熱機械結合への適用可能性を実証する。

提案手法

• 有限要素離散化に基づく重み付き残差損失を定式化し、予測場を試験関数として用いてニューラル演算子を訓練する。
• 入力パラメータ空間から解場への写像を学習するため、Fourier Neural Operator（FNO）、DeepONet、暗黙的Finite Operator Learning（iFOL）などのバックボーンを用いる。
• FEM結合に類似したモノリシックおよびスタギャード学習スキームを探索し、熱場と機械場の損失を更新する。
• 熱機械モデルに温度依存材料特性と異質なマイクロ構造を組み込む。
• 複雑な幾何形状に対処するため非構造メッシュを用い、 governing 方程式の微分に対する自動微分に依存しない。
• 見たことのない入力分布への外挿とゼロショット超解像タスク（例えば、練習グリッド42x42からの84x84テストグリッド）を評価する。

実験結果

リサーチクエスチョン

• RQ1 有限要素ベースの物理情報演算子学習は、任意の幾何形状上の結合多物理PDEに対して、離散化に依存しない正確な解を達成できるか？
• RQ2 異質なマイクロ構造と非線形結合を持つ多物理問題に対して、FNO、DeepONet、iFOLなどの異なるニューラル演算子バックボーンはどのように機能するか？
• RQ3 モノリシック学習とスタギャード学習スキームが、熱機械問題の学習効率と精度に与える影響は？
• RQ4 学習サンプル品質とネットワーク分解が、予測性能と未知の幾何形状への一般化にどう影響するか？
• RQ5 複雑な産業幾何形状（例：鋳造）を扱いつつ、境界条件の変化へ一般化できるか？

主な発見

• FEガイド付き物理情報演算子学習フレームワークは、分布内テストで相対L2誤差が3%未満、三つの極端な未知マイクロ構造ケースでは10%未満を達成。
• FNOバックボーンはスペクトル領域でグローバルなトポロジーを学習できる正則な領域で良好、iFOLは不規則な幾何形状に対して効率的なパラメトリック学習を提供。
• モノリシック学習は一般にスタギャード学習と同等かやや上回る精度を示し、学習効率も同等かそれ以上（比較された分解の中で単一FNOが最速）。
• 学習サンプル品質は性能に大きく影響し、高品質サンプルは未知分布への外挿を堅牢にする。
• 本手法は離散化に依存しない予測と非構造メッシュを支持し、スケールを跨いだ複雑な幾何形状（3D RVEおよび産業用鋳造を含む）に対して正確な多物理代替を可能にする。
• 高勾配領域（界面・境界など）でFNOのスペクトral切り捨てにより局所誤差が増加する可能性があり、ハイブリッドまたは代替表現の利得が期待される。