[論文レビュー] X-CAL: Explaining latent causality in physical space for fluid mechanics

Marcial Sanchis-Agudo Andrés Cremades, Cremades, Andrés+3 more|arXiv (Cornell University)|Jan 6, 2026

Model Reduction and Neural Networks被引用数 0

ひとこと要約

X-CALはβ-VAE潜在圧縮とSURD因果性およびGradient-SHAP解釈性を組み合わせて、乱流の潜在空間の因果関係を物理構造へ抽出・マッピングする。壁掛け型正方形円柱DNSデータで実証。

ABSTRACT

We present X-CAL, a pipeline that combines a $β$-variational autoencoder ($β$-VAE) with the synergistic-unique-redundant decomposition (SURD)~\cite{surd} approach for causality analysis to interpret low-dimensional latent representations of turbulent fluid flows. Combining $β$-VAE compression with SURD and SHAP (SHapley Additive exPlanations) yields interpretable latent representations and structure-level attributions in physical space, offering a general methodology for causal analysis of high-dimensional flows. Using direct numerical simulation (DNS) data of the flow around a wall-mounted square cylinder at $Re_h=2000$, we (i) learn a compact latent space with near-orthogonal variables, (ii) quantify directed information flows among these variables via the SURD approach, and (iii) map latent-space causality back to physical space through gradient-SHAP fields . By means of percolation analysis of the SHAP fields, we extract the coherent, time-resolved structures that most influence each latent variable. The analysis connects coherent structures with latent variables which are in turn associated with wake-boundary-layer interactions. This method enables translating the insight obtained through causal analysis in the latent space into interpretable phenomena in physical space.

研究の動機と目的

• 乱流の解釈可能な潜在表現を得るデータ駆動パイプラインを開発する。
• SURD分解を用いて潜在変数間の指向情報の流れを定量化する。
• 勾配-SHAPで潜在空間の因果性を物理空間へマッピングし、整合的構造を特定する。
• 壁掛け型正方形柱の後方流のDNSデータでアプローチを検証する。
• 因果性と物理機構を結ぶSHAP場の構造レベルの寄与とパーコレーションを示す。

提案手法

• 流れのスナップショットからコンパクトかつほぼ直交的な潜在空間をβ-VAEで学習する（エンコーダー q_phi と事前分布 p(l)=N(0,I)）。
• 潜在変数間の因果影響を冗長・固有・協同成分に分解し、因果性 leaks項を導入するためにSURDを適用する。
• 潜在変数の符号化を空間的なSHAP場へ写像するために勾配-SHAP寄与度を計算する。
• 潜在変数を最も影響する時間分解可能な整合構造へとパーコレーションする。
• wake流のDNSに適用する前に、2Dトーラス・ローレンツ系などの制御された合成ケースで検証する。
• 潜在因果性を wake境界層相互作用と関連付けるために、ステップごとのSHAPベースのパーコレーションを用いる。

Figure 1 : Causal artificial-intelligence (AI) framework visualization. (Left) Instantaneous flow field of the case under study. (Right) Schematic representation of the method, where 1) we encode the flow field into a latent space with a $\beta$ -VAE; 2) we analyze causality among the latent variabl

実験結果

リサーチクエスチョン

• RQ1 β-VAEによって学習された非線形潜在表現は乱流の流れ構造間の明示的な因果関係を捉えられるか？
• RQ2 SURDは潜在変数間の指向情報の流れをどのように定量化し、固有・冗長・協同成分をどのように示すか？
• RQ3 勾配-SHAPの寄与度は潜在空間の因果性を流れの解釈可能な物理空間構造へ写像できるか？
• RQ4 壁掛け型正方形柱配置での流れの主要な駆動因子としてのwake-境界層相互作用が潜在変数に現れるか？
• RQ5 合成系（トーラス、ローレンツ）で結果は一般化され、DNSデータへ適用する前に既知の因果構造を回復・解釈できるか？

主な発見

• 壁掛け型正方形柱の流れのDNSデータからβ-VAEを用いて近似直交変数を持つコンパクトな潜在空間を取得。
• SURD分解は潜在変数間の因果影響の分布を明らかにし、固有・冗長な寄与と因果性漏れ項を示す。
• 勾配-SHAPは物理空間へ写像され、パーコレーションを経て各潜在変数を駆動する時間分解可能な整合構造を明らかにする寄与度を生み出す。
• SHAP場のパーコレーションは潜在変数の因果性を wake-境界層相互作用へ結びつけ、因果機構の物理空間解釈を可能にする。
• 2Dトーラスとローレンツ系の合成ケースでの検証は、縮退した表現における既知の因果構造を回復・解釈できることを確認する。
• このフレームワークは高次元の乱流流れの因果分析に一般的なアプローチを提供し、制御指向の洞察の可能性を持つ。