皆、固唾を飲んで見守ったよな？ AIがあらゆる分野を革命するという夢。科学や工学の世界では、LLMが洗練された解を生成し、複雑な現象を驚くべき精度で予測するというのがその夢だった。で、結果はどうだった？ 流暢な文章。自信に満ち溢れた、しかし中身はガラクタ。問題はLLMが熱力学や流体力学について『語れない』ことじゃない。境界条件を指定して何かを『計算』させようとすると、もっともらしく見えるが、根本的かつ危険なほど間違った答えを吐き出すのが常だ。これはデータ量やモデルの規模の問題じゃない。構造的な欠陥だ。標準的なLLMは予測マシンであり、トークンのシーケンスに最適化されている。しかし、物理法則は偏微分方程式によって支配されており、テキストから学習したパターンだけでなく、領域全体での厳格な遵守を要求する。
そこで登場するのが「物理情報AI」だ。これは魔法のAI指令ではなく、ハイブリッドアプローチだ。LLMの推論能力と、厳格で容赦のない「数値ソルバー」の世界、そして実際の物理法則を組み合わせる。verboseな弁士に電卓と厳格なルールを与えたようなものだと思え。AIが正しさを『保証』するわけじゃない。これらは「帰納的バイアス」と呼ばれる——保存則違反に対する懲役刑ではなく、物理的にあり得る方向への穏やかなたしなめのようなものだ。しかし、エンジニアにとっては、そのたしなめが有用なツールと潜在的な大災害との違いになる。
はっきり言おう。ソルバーはそのまま残る。LLMの役割は、シミュレーションの重労働を代替することじゃない。むしろ、問題文、モデル設定、シミュレーションワークフロー、そして結果解釈という厄介なタスクを結びつける、洗練されたインターフェースへと進化している。AIは、指揮を執る科学者ではなく、高度に知的なアシスタントなのだ。
「自信に満ち、流暢、そして間違っている」という罠
ここが肝心だ。例えば流体力学の論文で学習したTransformerは、Navier-Stokes方程式について雄弁に語れる。無数の例を見てきたからだ。だが、内部では？ その方程式を遵守させるメカニズムは存在しない。永久機関を示唆しても、勾配ペナルティで罰せられることはない。熱力学を学んだのは、童謡を覚えるように、言葉の統計的なダンスとしてだ。これは最も陰湿な失敗モードにつながる。極めて説得力があり、文法的に完璧で、物理的にはナンセンスな出力を生み出すことだ。データセンターの冷却、気候モデリング、創薬といった、これらのモデルがすでに押し込まれつつある分野では、これはバグじゃない。機能停止の原因だ。
PINNsが教えてくれたこと（熱狂の前に）
LLMと物理学の融合に至る前に、物理情報ニューラルネットワーク（PINN）があった。数年前に開拓されたこの概念は、驚くほどシンプルだった。ニューラルネットワークをデータだけでなく、ペナルティ項でも学習させるのだ。ネットワークの予測が支配的な偏微分方程式（PDE）に違反した場合、損失関数が上昇する。これは、学習ループに直接、物理的なリアリズムを注入する巧妙な方法だった。
定義：「物理情報AI」とは、学習ベースモデルと物理ベース構造を、損失ペナルティ、制約付きオプティマイザ、ソルバー統合によって組み合わせ、予測を物理的にあり得る挙動に偏らせるハイブリッドシステムを指す。これらの手法は物理的違反を減らすが、完全にはなくさない。それらは保証ではなく、帰納的バイアスである。
この引用が全てを物語っている。これはバイアスであり、神聖な誤りなきことではない。それでも、トークン予測への盲信よりははるかに大きな進歩だ。
アーキテクチャ戦争：どうやってそれらを繋ぎ合わせるのか？
では、この物理情報マジックは実際にどう実現されるのか？ 広義には、3つのアーキテクチャの流派が登場している。
- ソルバーのフロントエンドとしてのLLM: ここでは、LLMがインテリジェントな翻訳者として機能する。自然言語の問題記述を受け取り、関連する物理モデルを特定し、既存の数値ソルバーを設定して呼び出す。優秀な司書に適切な本を探してもらい、必要なページを渡してもらうようなものだ。LLMは解を計算せず、ソルバーをオーケストレーションする。これは、確立されたソルバーの強みを活用する、現時点で最も実用的なアプローチと言えるだろう。
- LLM埋め込みで強化されたPINN: これは脚本を反転させる。コアは依然として物理学を満たすように学習されたPINNだ。LLMの貢献は、複雑な入力データからより良い特徴表現や埋め込みを生成し、それをPINNに供給することだ。LLMはデータの『文脈』を理解し、PINNが物理学習をより効果的に集中させるのを助ける。実験条件の、より洞察に満ちた要約をPINNに与えるようなものだ。
- 明示的な物理的制約を持つLLM: これが最も野心的だ。LLMアーキテクチャ自体、またはその学習プロセスを直接的に物理法則を組み込むように変更することを含む。これは、保存則を強制する特殊なレイヤーを追加したり、微分可能な物理シミュレーターをLLMの逆伝播パスの一部として使用したりすることかもしれない。目標は、LLMが単に誘導されるだけでなく、本質的に物理を意識するようにすることだ。これは研究の最前線だが、実現すれば最も強力かもしれない。
例：マイクロ流体デバイスでの流れ予測
マイクロ流体デバイスを想像してみよう。これらは、医療診断からラブオンアチップアプリケーションまで、あらゆるものに使われる微細なチャネルだ。そこでの流体や粒子の挙動を予測することは極めて重要だ。標準的なLLMは、関連する物理学を説明し、パラメータを推測することさえあるかもしれない。しかし、特定の圧力入力とチャネル形状が与えられた場合の正確な流量を予測させるか？ それはトラブルの元だ。
ここでは、物理情報アプローチは以下のようなものになるだろう。
- LLM: 「100ミクロン幅、50ミクロン深さのチャネルで、10 Paの圧力降下、20℃の水で満たされた場合の流量プロファイルを予測せよ」といった記述を解析する。
- ソルバー統合: LLMは、これらの正確なパラメータで構成された、特殊な計算流体力学（CFD）ソルバーを呼び出すかもしれない。ソルバーは、確立された流体力学原理に基づいて数値を処理する。
- 物理損失（オプションだが強力）: LLMがより大きな学習可能なシステムの一部である場合、物理残差損失を追加できる。この損失はNavier-Stokes方程式からの逸脱を罰し、ソルバーが学習中に暗黙的に関与するだけの場合でも、ハイブリッドシステム全体が物理的に一貫したマッピングを学習するように促す。
そして出力は？ 自信はあるが間違った数値ではなく、埋め込まれた制約をどれだけ満たしたかに基づく信頼性の明確な表示とともに、物理的に健全な流量プロファイルが得られる。これがAIが実際の工学世界で有用になり始める方法だ――基礎科学の代替としてではなく、それを乗り越えるための強力なツールとして。
