Gradient Domain Reconstruction for Monte Carlo PDE Solvers

複雑形状のポアソン方程式を解く格子不要のモンテカルロ法に対し、近傍点でランダムウォークを共有して解の差分を低分散に推定し、直接推定値と統合する手法を紹介。同一計算時間で既存法より誤差を低減できることを示す。

Transcript

1. 2026/08/18 Spatial AI Network 勉強会 Gradient Domain Reconstruction for Monte Carlo PDE Solvers Jiaqi Wu, Xuejun Hu, Shuang Zhao, Kun Xu SIGGRAPH 2026 (Journal track) https://dl.acm.org/doi/10.1145/3811295 髙木 士（Preferred Networks, Inc.） ※特に注記のない図表は、紹介論文より引用しています。
2. 扱う問題：ポアソン方程式 • ディリクレ・ノイマン混合境界条件下でのポアソン方程式 ディリクレ境界条件 ノイマン境界条件 𝜕𝑢(𝑥)/𝜕𝑛 は境界での外向き法線 𝑛 の方向微分 ※gpt-image-2 の生成したイメージ図 2
3. ポアソン方程式の例 ノイマン境界：上半身からは空気中へ熱が全く逃げない（断熱） 源：リアクターが熱源 ディリクレ境界：水に接している表面温度は水温に等しい 3
4. PDE の数値解法の一種：Grid-free Monte Carlo 法 • 有限要素法・有限差分法 ◦ 領域全体をメッシュに分割してから方程式を解く ◦ しかし細部・空洞・薄い部分等を含む複雑形状では前処理が難しい and/or 高コストになり得る • Grid-free Monte Carlo 法 ◦ 格子を作らずに必要な点だけ評価できる ◦ e.g., Walk on Spheres (WoS) / Walk on Stars (WoSt) [Sawhney+ SIGGRAPH 2023] Walk on Stars: A Grid-Free Monte Carlo Method for PDEs with Neumann Boundary Conditions より引用 4
5. Walk on Spheres (WoS) / Walk on Stars (WoSt) 格子を作らずに評価したい点から ランダムウォークを行うことで値を推定する ※このセクションでは以下の2つの論文から図表を引用しています。 SIGGRAPH 2020 Monte Carlo Geometry Processing: A Grid-Free Approach to PDE-Based Methods on Volumetric Domains Rohan Sawhney, Keenan Crane SIGGRAPH 2023 Walk on Stars: A Grid-Free Monte Carlo Method for PDEs with Neumann Boundary Conditions Rohan Sawhney, Bailey Miller, Ioannis Gkioulekas, Keenan Crane
6. ポアソン方程式に対する境界積分方程式（BIE） • ポアソン方程式 w/ 混合ディリクレ・ノイマン境界条件 • 任意の 𝐴, 𝐶 ⊂ Ω に対して 𝑥 ∈ 𝐴, 𝐴 ⊂ 𝐶 のとき、以下の局所 BIE が成立 𝑃𝐶 : Poisson kernel Green 関数 6 ※この成立は境界条件によらない ※𝑛𝑧 は 𝜕𝐴 の外向き法線である。 𝜕𝐴 とノイマン境界 𝜕Ω𝑁 が重ならな い部分では 𝑛 ではない点に注意
7. Walk on Spheres (WoS) (1/4)： 局所積分領域に球を選ぶ • 𝐴, 𝐶 に球 𝐵(𝑥, 𝑟) = 𝐴 = 𝐶 を選ぶ • 𝐴 = 𝐶 とすると ◦ Green 関数は 𝐺 𝐶 (𝑥, 𝑧) = 0 (𝑧 ∈ 𝜕𝐶) なので • ノイマン境界条件に対応する項が寄与しなくなる 領域に球を選ぶと ◦ Green 関数が解析的に書ける ◦ 評価点が球の中心のとき、Poisson kernel は一定になる • • 右辺で値が未知なのは 𝑢 𝑧 のみ ディリクレ境界では 𝑢 𝑥 = 𝑔 𝑥 𝑥 ∈ 𝜕Ω𝐷 より既知 「球を構築 → 球面上に移動」を繰り返してディリクレ境界にたどり着けば右辺が計算できる 7
8. Walk on Spheres (WoS) (2/4)： 積分を期待値に書き換えてモンテカルロ推定する • 現在の位置 𝑥𝑘 を中心として境界までの最大内接球 𝐵 𝑥𝑘 を構築する • 球面から次の位置 𝑥𝑘+1 ∼ 𝑝𝜕𝐵 𝑥𝑘 をサンプル • 球内部から 𝑓 を評価する位置 𝑦𝑘+1 ∼ 𝑝𝐵 𝑥𝑘 をサンプル 1サンプル Monte Carlo 推定量 点をサンプルする分布 𝑝𝜕𝐵 𝑥𝑘 , 𝑝𝐵 𝑥𝑘 をそれぞれ Poisson kernel, Green 関数に 比例するように選ぶとシンプルな形になる 𝐷: 空間次元 𝑟𝑘 : 球 𝐵 𝑥𝑘 の半径 8
9. Walk on Spheres (WoS) (3/4) 境界での処理 • 境界（付近）に到達したか否かの判定 ◦ 最大内接球の球面への移動を繰り返しても境界上に 達することは厳密にはほとんど確実に起こらない → 現在位置と境界の距離が < 𝜖 となったときに 境界（付近）にいると判定する（𝜖-shell） • ディリクレ境界（付近） ◦ ディリクレ境界の値を用いて 𝑢(𝑥𝑘 ) = 𝑔(𝑥𝑘 ) として再帰を終了 • ノイマン境界（付近） ◦ ノイマン境界では 𝑢 は未知なので終了できない ◦ 最大内接球の半径が非常に小さくなって ノイマン境界付近に留まってしまう ◦ → 最近点のノイマン境界の寄与を反映しつつ領域内に点を押し戻す （有限差分によるバイアスが入る） 9
10. Walk on Spheres (WoS) (4/4) アルゴリズム全体 • 評価したい点 𝑥 毎に ◦ 1回の walk： ▪ 「球を構築 → 球面上に移動」しつつディリクレ境界に 到達するまで再帰する 1回の walk ◦ 𝑀 本 walks を行い、その平均を最終的な推定値とする 10
11. Walk on Stars (WoSt) 概要 • • WoS の課題 ◦ ノイマン境界に近いと最大内接球の半径は小さくなって非常に時間が掛かる ◦ ノイマン境界の反射は有限差分によるバイアスが入る 等 WoSt の概要 ◦ ノイマン境界を反射処理する代わりに局所積分領域の境界に取り込む ◦ ノイマン境界の寄与をモンテカルロ推定量に直接加える ◦ 局所積分領域を現在の位置からの星状領域とする 星状領域：領域内のある点に対し、その点と ▪ 星状に制限していない場合、局所積分領域内の境界と 複数回交差するケースが出てくる WoSt: 星状な局所積分領域を構成することで ノイマン境界を局所積分領域の境界として取り込みつつ 一方向一交点の WoS 型の grid-free Monte Carlo 推定を維持 11 領域内の任意の点を結ぶ線分がその領域に 含まれる
12. Gradient Domain Reconstruction for Monte Carlo PDE Solvers Jiaqi Wu, Xuejun Hu, Shuang Zhao, Kun Xu SIGGRAPH 2026 (Journal track)
13. WoS/WoSt 性能面での課題： Monte Carlo 法で高精度な推定には多数のサンプルが必要 • サンプル数を 𝑁 としたときのモンテカルロ推定量 𝐼መ𝑁 とその分散 Var 𝐼መ𝑁 → 標準誤差は 𝑂 1/ 𝑁 でしか減少しない → 高精度な推定には多数のサンプルが必要 • WoS/WoSt の推定量もMonte Carlo 法に基づいているため、同様の課題がある 13
14. 提案手法のアイディア： 近傍点間の解の差分推定量を利用する • 近傍の2点 𝑥𝑖 , 𝑥𝑗 での解 𝑢𝑖 ≔ 𝑢 𝑥𝑖 , 𝑢𝑗 ≔ 𝑢 𝑥𝑗 の差分を考える： • 𝑢𝑖 , 𝑢𝑗 の推定量 𝑢ො 𝑖 , 𝑢ො𝑗 に正の相関があれば 差分推定量 𝑑መ 𝑖𝑗 の分散は各点の分散の和よりも分散を小さくできる • • 正の相関がある2点の推定量をどうやって構築するか？ ◦ → 2点で Walk の経路を共有する 差分推定値 𝑑መ を 𝑢ො の誤差低減にどうやって利用するか？ ◦ → [Yan+ SA 2025] Generalized Unbiased Reconstruction for Gradient-Domain Rendering を用いる 14
15. 近傍2点で Walk の経路を共有： 最初の一歩と最終的な推定値だけをキャッシュする • 近傍2点 𝑥𝑖 , 𝑥𝑗 で同じ walk の経路を共有すると 2点の推定値に含まれる誤差が正の相関を持ちやすくなる ◦ 共通乱数法：共通の乱数列によって乱数を作ることで正の相関を持つようにする • 経路上の全ての値・位置を覚えておく必要はなく、各 walk で 最初の一歩と最終的な解の推定値のみキャッシュしておけば十分 ◦ 最初の最大内接球 𝐵𝑖 ◦ 最初の球面点 𝑧𝑖 1 ◦ 最初の内部点での値 𝑓 𝑦 1 ൗ𝑞 𝑦 1 ◦ 最終的な解の推定値 𝑢ො 𝑖 ▪ 共有 walk の2歩目からの値は ここに集約されている 15
16. 差分推定値 𝑑መ を 𝑢ො の誤差低減に利用する • 点 𝑝 の最終的な 𝑢𝑝 の推定値 𝑢෤ 𝑝 を直接値 𝑢ො 𝑝 と差分 𝑑መ 𝑝 の線形結合で表す • 不偏性を保つ制約を入れて分散を最小化する重みを求めて 𝑢෤ 𝑝 を計算する • 実際の計算 ◦ 重みを明示的に求めずに 𝑢෤ についての疎な連立方程式で定式化して共役勾配法で解く ◦ 真の分散は未知なので標本分散を使う ▪ 局所窓で Gaussian filter を適用して平滑化する 16
17. 提案手法の各ステップ STEP 1 STEP 2 STEP 3 値を推定 差を推定 解を復元 WoS/WoSt を通常通り 実行し、最初の一歩と 最終的な推定値を保存 近傍点でキャッシュ済み ウォークを共有 直接値と差分を分散に 応じて統合 17 9
18. 実験：同一実行時間での比較 実装 評価点 CPU / Zombie library 単精度、CGはEigen 主に512×512の2D断面 不規則点も別途検証 参照解 比較手法 WoSt 65,536 walks MSEで比較 WoSt, BVC, MVC, HC, Off-centered WoS 18 16
19. 手法間の比較 • 全体的に提案手法は 比較手法よりも MSE が小さい 19
20. 難しいシーンで差分情報は効果的 源の影響 形状が 難しい 境界付近 での評価 20 17
21. 実行時間の大部分は WoS/WoSt の値推定 • 何度も walks を実行するので その実行時間が長い 21
22. 不規則な配置の評価点集合でも 近傍を構築して提案手法が適用できる 22
23. まとめ • 近傍点間での共有 Walk を用いた差分推定を導入 ◦ 各 Walk で最初の一歩と最終的な推定値のみキャッシュすれば計算できる • 直接値推定と差分推定を分散最小化の基準で統合 ◦ 低コストで効果的な分散低減を実現 23
24. Appendix 24
25. 補足 • • • Walks の本数は？ ◦ （明確に書かれていない実験が多いが）一つの実験では16本、2D grid での近傍領域についての ablation では2本/32本での結果が示されており、大体2~32本がメインの想定と思われる キャッシュに 𝑝 𝑧 がないのは何故？ ◦ 提案手法では最初の一歩のみ WoS を用いるようにしている → 𝑝 𝑧 は最初の最大内接球 𝐵𝑖 の球面上の一様分布となるので 𝐵𝑖 のキャッシュから容易に計算できる 𝑥𝑖 , 𝑥𝑗 の各々の最初の最大内接球にもう一方の点が含まれていない 場合があるのでは？ ◦ ある。差分推定値は対称性を保つようにする： ▪ 両方向で含まれる： • 𝑑መ𝑖𝑗 ← 𝑑መ𝑖𝑗 − 𝑑መ𝑗𝑖 Τ2 • 𝑑መ𝑗𝑖 ← −𝑑መ𝑖𝑗 ▪ 片方向のみ含まれる： • 含まれる方向の差分の符号を反転した値を含まれない方向に使う 25