現代の工学における複雑な物理現象を高い忠実度で低計算コストのうちに解析することは、多くの重要な課題解決の鍵となっています。その代表例がハイパーソニック流体、すなわち極超音速流であり、衝撃波の位置や強度を含む全体的な流れ場の正確な予測は工学応用において極めて重要です。しかし従来の低次元モデルやニューラルエミュレータは、流体状態における急峻な勾配と物理的一貫性の同時達成に困難を抱えており、産業規模のアプリケーションでは信頼性の確保が課題となってきました。 本研究では、GPU完全対応の包括的なワークフローを提案しています。このワークフローは加速化されたデータ生成とニューラルエミュレータの訓練を統合し、不確実性の定量化と物理的観点からの精緻化を組み込んでいます。微分可能な高忠実度ソルバーであるJAX-Fluidsを活用することで、迅速なデータセット作成と残差ベースのニューラルエミュレータ改善が可能になり、物理的一貫性が大幅に向上します。 提案フレームワークでは、複数のモデルアーキテクチャを提示してその拡張性を分析し、各モデルの強みと課題を明らかにしています。特に注目すべきは、残差ベースの精緻化により、メッシュと入力パラメータのみが利用可能な場合でも訓練が可能となり、残差が著しく削減されて物理的一貫性が向上することです。微分可能シミュレーションと残差ベース精緻化の組み合わせにより、訓練範囲外でも信頼性を保つ物理エミュレータが実現され、実世界の工学設計ループへの代理モデル導入という重要な要件を満たすことができます。