物理情報ニューラルネットワーク（PINN）は、物理法則（偏微分方程式など）を損失関数に組み込むことで、少量のデータでも物理的に妥当な予測を行うディープラーニング手法です。シミュレーションや工学設計など、データが限られた領域で威力を発揮します。
物理情報ニューラルネットワークとは
物理情報ニューラルネットワーク（PINN）とは、ニューラルネットワークの学習プロセスにおいて、質量保存則や流体力学の基礎方程式などの「物理法則」を制約条件（損失関数）として組み込む技術のことです。
詳しく解説
従来のディープラーニングは大量のデータからパターンを学習しますが、物理現象を扱う分野では観測データの収集が困難なケースが多く存在します。物理情報ニューラルネットワークは、現象を支配する偏微分方程式を損失関数に埋め込むことで、データが不足していても物理的に破綻しない高精度なモデルを構築します。これにより、未観測の領域での補外予測が可能となり、学習に必要なデータ量も大幅に削減されます。
具体例・使われ方
具体例として、流体の流れ（ナビエ・ストークス方程式）のシミュレーション、熱伝導の予測、構造物の応力解析などがあります。例えば、一部のセンサーデータしかない複雑な配管内の血流モデルにおいて、血液の流体力学的な連続性を満たしながら流速や圧力を高精度に補完・推定することができます。
似た用語との違い
通常のディープラーニングはデータのみに依存して予測を行うため、物理的に不可能な結果を出力することがあります。一方、物理情報ニューラルネットワークは、データに加えて偏微分方程式という物理的制約を課すため、データが極端に少ない場合でも一貫性のある妥当な出力を維持できます。また、従来の数値シミュレーション（有限要素法など）と比較して、格子の生成が不要であり、高次元の問題にも柔軟に対応できるという違いがあります。
注意点
限界として、対象となる現象の物理方程式（偏微分方程式）が既知である必要があります。また、複雑な境界条件や極端な非線形性を持つ問題では、損失関数の最適化が困難になり、学習が収束しにくいという注意点があります。さらに、物理制約を加えることで計算コストが増大する場合もあります。