方程式を埋め込む新しいAI『PINN』 ── 道路の渋滞も感染拡大も解いてしまう

はじめに ─ 「AIに物理を学ばせる」というニュース

ここ数年、製造業や航空・自動車業界で「AIに物理法則を学習させる」というニュースを目にすることが増えました。NVIDIA、Boeing、トヨタ自動車、東京大学…名だたる組織が手掛けているこの技術の正体は、PINN（Physics-Informed Neural Network、物理情報ニューラルネットワーク）と呼ばれる手法です（Raissi et al. 2019, J. Comput. Phys.）。

PINNは「物理を学ぶAI」と紹介されることが多いのですが、じつは本質は『物理』ではありません。本記事では、PINNの仕組みを丁寧に解説したうえで、物理ではない領域 ── 疫学（感染症拡大）と交通流（道路の渋滞）── を実際にPyTorchで実装し、Macで訓練した結果を学習過程の動画付きで紹介します。「方程式さえあれば、PINNは何にでも効く」ことを、目で確かめてください。

PINNとは ─ 方程式を損失関数に埋め込むAI

ふつうのニューラルネットは、入力と正解出力のペア（教師データ）からパターンを学習します。画像分類なら、何百万枚もの「画像→犬／猫」というラベル付きデータが必要です。

PINNが画期的なのは、データだけでなく『方程式そのもの』を学習の手がかりにする点にあります。具体的には次のフローで動きます。

入力 (x, t) をニューラルネットに通して出力 ρ̂(x, t) を得る。出力に対して自動微分で偏微分を計算し、それを支配方程式に代入したときのズレを「物理残差損失」として、観測データとの誤差や境界条件と並べて、3つを足し合わせて最小化する。

数式で書くと次のような損失関数になります。第2項こそPINNの真骨頂 ── ニューラルネットの出力を支配方程式に当てはめ、その残差を最小化することで、方程式を「教え込む」のです。

$L = データ損失 \frac{1}{N _{d}} i = 1 \sum N_{d} (\overset{u}{^} (x_{i}, t_{i}) - u_{i})^{2} + λ 物理損失（ PDE 残差） \frac{1}{N _{f}} j = 1 \sum N_{f} F [\overset{u}{^}] (x_{j}, t_{j})^{2}$

ここで ℱ は対象現象の支配方程式（例：∂ρ/∂t + ∂(ρv)/∂x = 0）。方程式が成り立てば残差はゼロ、というシンプルな仕組みです。これにより、データが少なくても、方程式の知識で空白を埋めて予測できるようになります。

物理での代表事例 ─ シミュレーションを瞬時化する

PINNが最初に注目された場面は、シミュレーション工学でした。

従来の流体・熱・構造解析（FEM／CFD）は、空間を細かなメッシュに分けて偏微分方程式を数値的に解きます。航空機の翼まわりの流体解析だと、1ケース計算するのに高性能ワークステーションで数時間〜数日。設計を1パラメータ変えるたびに丸一日待つ世界です。

PINNはこれをニューラルネットの推論一発（数ミリ秒）に置き換えます。NVIDIAはModulusという名前でこの技術をプラットフォーム化しています。

本質は『物理』ではない ─ 記事の山場

ここからが本題です。

PINNの本質は『物理を学ぶこと』ではなく、『ドメイン知識（支配方程式）を制約として学習に組み込むこと』である。

だから、方程式で記述できる現象なら、対象は何でもよい。物理である必要はまったくありません。実際、ここ数年で次のような分野でPINN応用が報告されています。

金融工学：ブラック・ショールズ方程式（オプション価格）

疫学：SIRモデル、SEIRモデル（感染症拡大）

交通工学／物流：LWR方程式（道路の交通流）

マクロ経済学：ラムゼー・キャス・クープマンス・モデル（最適成長）

生物・薬学：PK/PDモデル（薬物動態）、ロトカ・ヴォルテラ

化学：反応拡散方程式

本記事では、このうち「疫学」と「交通流」の2つを実際にM3 Max MacBook Proで訓練してみます。

実例① ─ 疫学のSIRモデルをPINNで解いてみる

問題設定

人口10,000人の街で感染症が始まったと仮定します。最初の30日間だけ感染者数を観測でき、その後は観測できなくなった ──残り90日間の動向を、SIRモデル（ODE）の知識だけから予測したい。これがPINNの典型的な使いどころです。

SIRモデル（Kermack & McKendrick 1927）の支配方程式は、次の3本のODEで書けます。

$\frac{d S}{d t} = - \frac{β S I}{N}, \frac{d I}{d t} = \frac{β S I}{N} - γ I, \frac{d R}{d t} = γ I$

β = 0.35（感染率）、γ = 0.10（回復率）。PINNには『30日までの観測点8個』と『ODE 3本の知識』だけを与え、120日全体を予測させました。

学習過程アニメーション

8000エポックの学習中に、予測曲線が観測点と方程式の両方に縛られながら真値に収束していく様子が見える動画です（左：予測 vs 真値、右：損失の対数プロット）。

最初は無秩序な曲線が、急速に観測点（0〜30日）にフィットし、そのあと未観測領域（黄色の帯、31〜120日）に向かってODEの知識だけで自動的に伸びていく様子に注目してください。M3 Max MPSで47.7秒の訓練でした。

最終結果

実線が真の解、破線がPINN予測。観測終了後の31日以降も、SとIは時間遅れで自然な減衰・上昇を追えており、Rの増加カーブも形状は再現できています。誤差を数値で見ると、Sは最終時点で約100人、Iは40〜50日のピークで約150人、Rは累積量なので時間とともに最も大きくなり最終時点で約800人（人口1万人中の約8%）。観測なしの90日先まで「形」が再現できる点は、データだけの予測では難しい結果です。とはいえ完全一致ではないので、Rの絶対数を信じすぎず「ピークの時期や流行のスケール感を捉えるための予測」として使うのが現実的です。

実例② ─ 交通流のLWR方程式（物流の本命）

問題設定

次は物流・交通工学の世界。1955〜56年に提案されたLWRモデル（Lighthill-Whitham-Richards）は、道路の単位長あたり車両密度 ρ(x, t)の時間発展を、たった1本の偏微分方程式で記述します。

$\frac{\partial ρ}{\partial t} + \frac{\partial q ( ρ )}{\partial x} = 0, q (ρ) = ρ v_{m a x} (1 - \frac{ρ}{ρ _{m a x}})$

ひと言で言えば「車両は流入と流出の差で密度が変わる、ただし速度は混むほど遅くなる」。Waymo、Mobileye、トヨタコネクテッドなど、自動運転や交通インフラの研究は今もこの古典モデルを基盤にしています。

シナリオ：道路長5km、観測時間12分、初期に1〜2km地点に渋滞の塊（ρ=0.7）、それ以外は空き（ρ=0.2）。PINNには観測データを一切与えず、初期条件・境界条件・PDE残差だけで全体を解かせました。

渋滞波の時間進化アニメーション

PINNが解いた最終解を、12分間の時間進化として可視化したのがこちらです。上段が道路俯瞰（赤=渋滞、緑=スイスイ）、中段が密度ρ(x, t)、下段が速度v(x, t)。

初期に1〜2km地点にあった渋滞の塊が、時間とともに前方（下流）に流れつつ、後端は逆に上流（後方）に伝播していく様子が見えます。これはショック波（衝撃波）という古典物理現象で、理論的には後端のショック速度は (f(ρ_R) − f(ρ_L)) / (ρ_R − ρ_L) = 6.0 km/h 後方。

驚くべきは、PINNはこの非線形な波の挙動を、観測データを一切使わずに方程式の知識だけから再現している点です。M3 Max MPSで80秒の訓練でした。

時空間ヒートマップでの全体像

時空間ヒートマップ（横軸=時間、縦軸=道路位置）が一番の見どころ。渋滞ゾーンが時間とともに右上方向に流れていく軌跡が、対角線状の赤い帯として浮かび上がっています。下段の各時刻スナップショットでも、渋滞ピークが右にズレながら拡散していくのが分かります。

現実の応用では、これに「センサーで観測した実際の交通量」のデータ損失を加えて、リアルタイムに予測・制御する研究が進んでいます。物流業界の配送計画、信号制御、自動運転の経路最適化、すべて関わってきます。

PINNが向く問題と、向かない問題

ここまでの2例で、PINNの強みが見えてきました。整理するとこうなります。

向く問題

対象現象を記述する微分方程式（ODE/PDE）が既知

観測データが少ない／高価／一部しか取れない

従来のソルバーでは計算コストが高すぎる

パラメータを変えながら多数のシナリオを試したい

向かない問題

そもそも方程式が分からない（純粋な機械学習が向く領域）

方程式が極端に非線形でショックや特異点が多い（数値ソルバーが堅実）

観測データが大量にある（データ駆動の方が精度が出る場合も）

実務的には、『方程式の知識』と『観測データ』の両方をうまく使える点こそがPINNの真価です。データだけでも方程式だけでも届かない領域に手が届きます。

なお、本記事の2例はPINN界では入門〜中級レベルで、Navier-Stokes高レイノルズ流れや3次元時間発展PDEなどはまだ世界中の研究者が苦戦中の領域です。本記事は『PINNの仕組みと可能性を直感で掴んでもらう』目的で書いています。

中小企業に関係はあるのか？

「PINNは大企業や研究機関の話でしょ？」という疑問はもっともです。実際、自分でPINNを実装して訓練するのは、ある程度のPython・PyTorchスキルとMLの知識が要ります。

ただ、間接的にはすでに身近に来ています。

製造業向けCAE SaaS：シミュレーション結果を瞬時に返すAIサロゲートとして、PINNが組み込まれ始めている

物流／配送計画ツール：交通流予測の精度向上にPINNを取り入れる動き

創薬・バイオ：PK/PDモデルの個別化推論にPINNを活用

金融商品の価格付け：複雑なオプション価格をPINNで瞬時計算

つまり、自社で実装しなくても、購入するSaaSやサービスの中で、PINNが静かに効いている時代が始まりつつある、ということです。

また、自社の業務で『動きを記述する方程式があり、観測データが少ない』業務があるなら、PINNは検討に値します。需要の時系列モデル、店舗内の人流、設備の劣化曲線 ── 支配方程式が経験的に見つかっている領域は、意外と多いものです。

おわりに ─ 方程式という『古い知恵』の再発見

「AIは大量のデータが命」と言われてきました。しかしPINNはその対極を行きます。データが少なくても、人類が数百年かけて蓄積してきた『方程式』という知識があれば、AIに教え込んで使える、という発想です。

Newton、Euler、Navier、Stokes、Lighthill、Kermack…3〜4世紀にわたって書かれてきた偉大な方程式群が、いまニューラルネットの損失関数の中で、もう一度動き出している。これがPINNという技術が示す、AI時代の知識の使い方です。

PINNを物理屋のおもちゃと侮るのは早いです。物流の渋滞も、感染症の拡大も、金融商品の価格も、薬物の動態も、すべて『方程式』があります。PINNはそれらを横串で解く、新しい型の機械学習なのです。

Kurasakuでは、自社の業務に潜む『方程式』を見つけ出し、機械学習や数理最適化と組み合わせて運用に乗せる支援を行っています。「うちの業務にも何か支配方程式がありそう」と感じた方は、お気軽にご相談ください。

Facebook

LINE

技術ブログ一覧へ戻る