|
近年，機械学習と計算科学（科学技術計算）の複合領域において，両分野の技術を駆使した研究が盛んに行われている．特に，従来，計算科学の分野で扱われていた，支配方程式に基づく時間発展型の現象のモデル化に加え，機械学習の技術を導入した手法が数多く提案されつつある．このような分野はScientific Machine Learningなどと呼ばれている．この分野において，モデルの解釈性や現象における因果の扱いに関して，発展の余地があると考えられる．このような背景のもと，本研究では，観測された時系列データから，現象に関する科学的知見の獲得を目指すモデリングにおける，モデルの解釈性や現象における因果の扱いなどに焦点をおく．特に，現象が微分方程式に従うと仮定する場合を主な対象とし，(A)方程式の少なくとも一部が既知の場合と(B)未知の場合のそれぞれに関して研究を行った．
(A)に関して代数的手法に基づく，解釈可能なパラメータの手法をいくつか構築し，その応用に取り組んだ．
計画当初は，時系列データに適合する微分方程式のモデルパラメータを網羅的に推定する手法の理論拡張を想定していたが，応用上の意義を再検討の上，生命科学現象への応用展開を進めた．また，最終年度には，ここで用いた代数的手法を応用し，物理系を用いた計算機の設計への応用と，未観測変数がある場合にも有効な深層学習ベースのパラメータ推定手法の構築を行った．
(B)に関しては，主に最終年度に取り組んだ．具体的には，スポーツデータの解析を対象に，時系列グラフを導入した深層学習モデルを提案し，予測精度と解釈性の向上に取り組んだ．また，生命科学現象のモデリングを対象に，深層学習に基づくオペレータ学習を行ったが，解釈性の調査については今後の課題となった．
|
