| （理論面の）対象 | 流体，電磁気，プラズマなどの挙動を記述する偏微分方程式や，ハミルトン方程式や勾配流などの幾何学的な背景をもつ微分方程式 |
| （理論面の）目標 | 上記の微分方程式に対して，方程式の良い性質を保ちつつ解を求めたり，データから方程式を立てたりするための機械学習手法の構築 |
| ここまでの成果/重要な発見 | エネルギー保存則やシンプレクティック性などを保ちつつ解を求める機械学習手法や，観測データから保存則を発見する機械学習手法など |
| これからの目標/現在取り組んでいる目標 | 上記の手法を無限次元に拡張し，偏微分方程式に適用できるようにする．また，データ生成の自動化や言語モデル連携など，機械学習モデルを高精度にしたり使いやすくする技術の開発 |
| 応用上の成果/目標 | 産業界で行われている流体，電磁気，プラズマなどのシミュレーションの高速化や形状設計やパラメータ探索の自動化 |
| さらなる発展の可能性・方向性 | ロボットなどの現実の系と連携した Physical AI 手法への発展．新たな保存則の発見など，科学への貢献 |
現実社会の様々な問題に対して，数理科学的アプローチにより，理論と実践の両面から取り組んでいます．現在は，特に，深層学習と幾何学的力学，物理シミュレーション技術を組み合わせた深層科学技術計算や科学技術機械学習（Scientific Machine Learning, SciML），AI for Scienceなどと呼ばれる分野の研究を進めています
| キーワード | Scientific Machine Learning, AI for Science, Physics-Informed Neural Networks, 作用素学習, 構造保存型数値解法 |
|---|---|
| 部門 | 数学テクノロジー先端研究部門(部門長) |
| リンク |