Fourier Neural Operator（FNO）は、関数空間同士の写像を学習するニューラルオペレーターの一種です。高速フーリエ変換を組み込むことで、偏微分方程式などの物理シミュレーションを従来の数値解析より数万倍高速に解くことができます。学習時と異なる解像度でも追加訓練なしで精度を維持できる「解像度不変性」という高い柔軟性が最大の特徴です。
フーリエニューラルオペレーターとは
フーリエニューラルオペレーター（Fourier Neural Operator: FNO）とは、無限次元の関数空間同士の写像を学習するニューラルオペレーターの一種であり、フーリエ変換を利用して偏微分方程式などの物理シミュレーションを高速かつ高精度に解くためのディープラーニングモデルです。
詳しく解説
従来の数値シミュレーション（有限要素法など）は、メッシュ（格子）の細かさに依存し、計算コストが膨大になる課題がありました。また、一般的な畳み込みニューラルネットワークなどのモデルは、特定の解像度で訓練されると異なる解像度への適応が困難です。これに対し、Fourier Neural Operatorは関数空間における写像（オペレーター）を直接学習するため、入力データの解像度に依存しない「解像度不変性」を持ちます。内部の仕組みとして、入力を高速フーリエ変換によって周波数領域に変換し、低周波成分（主要な物理パターン）に対して重み行列を乗算（フィルタリング）したのち、逆フーリエ変換で実領域に戻すというプロセス（フーリエ層）を繰り返します。これにより、広範囲のグローバルな相関を効率的に捉えることができ、複雑な物理現象をきわめて高速にシミュレーションすることが可能になりました。
具体例・使われ方
具体的な利用例として、流体力学におけるナビエ・ストークス方程式のシミュレーション、気象予測や地球温暖化のモデリング、地震波の伝播シミュレーションなどが挙げられます。例えば、従来の数値シミュレーション手法に比べて数万倍高速に流体の動きを予測できるため、リアルタイムの設計評価やアンサンブル予報に貢献しています。また、粗い格子データから細かい格子データを生成する超解像のようなタスクにも応用されています。
似た用語との違い
Fourier Neural Operatorは、物理情報ニューラルネットワーク（PINN）と混同されやすいですが、アプローチが異なります。PINNは特定の偏微分方程式の数式（物理法則の損失関数）を最適化することで、その「特定の単一解」を学習します。一方で、Fourier Neural Operatorは方程式のパラメータや初期条件から解への写像（オペレーター全体）をデータから学習するため、一度訓練すれば異なる初期条件に対しても瞬時に解を出力できます。また、一般的な畳み込みニューラルネットワークがローカルな受容野を持つのに対し、Fourier Neural Operatorはフーリエ変換を通じてグローバルな情報を一度に処理する点も異なります。
注意点
Fourier Neural Operatorの限界として、境界条件が複雑な形状の領域におけるシミュレーションでは、フーリエ変換の周期境界条件の仮定が仇となり、精度が低下する場合があります。また、データ駆動型のアプローチであるため、訓練には大量の高品質なシミュレーションデータ（または観測データ）が必要となります。さらに、物理法則を厳密に保証するわけではないため、予測結果が物理的に不整合な状態になる可能性もあり、物理制約を融合させる研究も進められています。