アジュイント法（随伴変数法）は、大規模なシステムにおいて、設計変数に対する出力の感度（勾配）を効率的に計算する数学的手法です。ニューラルODEなどの連続時間ニューラルネットワークの学習で重要な役割を果たします。順方向のシミュレーションと逆方向の随伴方程式の解法を組み合わせることで、メモリ消費量を抑えつつ高速な最適化を可能にします。
アジュイント法とは
アジュイント法とは、出力の入力に対する感度（勾配）を算出する際、変数の数に依存しない効率的な計算プロセスを提供する数学的・数値解析的手法です。特に、中間状態のメモリ保持を必要としないため、微分方程式を含むモデルの最適化やディープラーニングの学習において、劇的なメモリ節約を実現する技術として知られています。
詳しく解説
アジュイント法は、偏微分方程式や常微分方程式によって制約されるシステムの最適化問題で広く用いられます。通常、多数のパラメータを持つシステムで勾配を計算する場合、パラメータごとに順方向の計算を行うと膨大な計算コスト（パラメータ数に比例）がかかります。しかし、アジュイント法では「随伴方程式」と呼ばれる補助的な方程式を逆方向に解くことにより、一度の計算で全パラメータに対する勾配を同時に取得できます。AI分野においては、ニューラルネットワークの層を無限に深くした極限とみなせる「ニューラルODE」の登場によって一躍注目を浴びました。この手法により、時間積分を用いた順方向パスの後に、メモリ上にすべての中間状態を記録することなく、逆方向パスで必要な勾配を計算することが可能になります。
具体例・使われ方
具体的な応用例として、ニューラルODEを用いた時系列データの予測や、物理法則を組み込んだニューラルネットワーク（PINNs）の学習が挙げられます。例えば、流体力学における物体の形状最適化において、空気抵抗を最小化するパラメータを探索する際、アジュイント法を用いて空気の流れ（物理シミュレーション）に対する形状パラメータの勾配を高速に計算します。これにより、膨大なパラメータの最適化を実用的な時間とメモリで実行できます。
似た用語との違い
混同されやすい概念に「誤差逆伝播法」があります。広義には、アジュイント法は誤差逆伝播法を連続時間モデル（微分方程式）へと拡張した一般化手法と位置づけられます。従来の誤差逆伝播法は離散的な層ごとの状態をすべてメモリに保持する必要がありますが、アジュイント法は動的な微分方程式のソルバーと連携し、メモリ消費を一定（O(1)）に抑えながら逆方向の感度解析を行う点で異なります。また、順方向の差分法を用いた感度解析と比較すると、アジュイント法はパラメータ数が多い場合に圧倒的に計算効率が優れています。
注意点
アジュイント法はメモリ効率が極めて高い一方で、逆方向の計算時に微分方程式を逆時間に解き直す（リコンピュテーション）必要があります。このため、システムのダイナミクスがカオス的である場合や、逆方向の数値積分が不安定な場合には、計算される勾配の数値的精度が著しく低下するという課題（不安定性）があります。したがって、すべての最適化問題において万能ではなく、適切なソルバーの選択やチェックポインティング技術との併用が求められます。