Speaker
勇 劉
Description
科学研究の根本的課題の一つは、限られた観測量から系の内在状態を推定することである。しかし、複雑に結合したシステムでは、この「反演」は必ずしも完全に可逆ではない。情報は伝達の過程で圧縮・重畳・非線形的に結合され、異なる内部状態が類似した観測結果を示すことがある。 大型リニアックの場合、その一例として、加速空洞のランダム誤差が運動量ドリフトを引き起こし、観測できるのは位相モニタや飛行時間モニタなど限られた情報に限られる。空洞数とモニタ数が数学的には対応していても、応答の累積性と非線形性により、物理的に非可逆となる。 我々は大規模シミュレーションにより、空洞誤差と測定位相の対応関係を構築した。初期の解析では、順方向モデル（誤差→測定）は高精度に学習可能であったが、逆方向モデル（測定→誤差）は汎化に失敗し、観測情報のランク低下や局所的非識別性に起因して不安定であった。しかし、この失敗の分析から、モデルの表現力が不十分であること、そして訓練データの多様性が不足していることが明らかになった。より高次の非線形構造を持つモデルを採用し、広範なパラメータ空間をカバーするデータを追加することで、逆問題の再現性が大幅に向上した。 この結果、観測データから空洞誤差分布を高精度に推定できるようになり、実機挙動と仮想モデルが動的に対応する、いわばデジタルツインとしての状態が実現した。これにより、データ駆動型の全体運動量補償スキームが可能となり、エネルギードリフトの安定化を達成した。 本研究は、可逆性が単なる数学的性質ではなく、情報量・モデル構造・データ分布の三者によって決まることを示すものである。この「部分的可逆性」の理解と活用こそが、順・逆学習を基盤とする知的補償やデジタルツイン構築の鍵となる。
