圧縮性流体力学の予測において、従来のデータ駆動型アプローチと物理法則の整合性を両立させることは大きな課題でした。新たに発表された「CoFINN（Conservation Flux Informed Neural Networks）」は、この課題に対する革新的なソリューションです。このフレームワークは、畳み込みニューラルネットワーク（CNN）の計算効率性を保ちながら、流体力学を支配する保存則を学習プロセスに直接組み込むアプローチを採用しています。 従来のCNNはピクセルレベルの画像類似性のみを最適化対象としていたため、物理的な制約条件を十分に反映できていませんでした。一方、古典的な物理インフォームド機械学習手法は自動微分を用いて微分方程式の残差を強制していますが、CoFINNはこれとは異なり、現代的なCFD（数値流体力学）の方法論と一貫性のある有限体積法の観点を採用しています。このアプローチでは、CNN出力を構造化された計算格子として解釈し、各ピクセルを有限体積セルとして扱い、洗練された数値フラックス計算を通じて保存則の整合性を強制します。 評価実験では、翼周りの遷音速流（マッハ数0.7、レイノルズ数600万）の予測を対象とし、衝撃波と大迎え角を含む困難な条件下での性能を検証しました。結果は極めて良好で、空力特性の予測精度が大幅に向上し、特に大迎え角での抗力予測誤差を最大34％削減し、テストセット全体での平均削減率は約15％に達しました。データが限定された状況でも顕著な改善が見られており、保存則ベースの損失関数が効果的な物理的正則化器として機能していることが示されました。 このフレームワークはCNNサロゲートの計算効率性を保ちながら物理的一貫性を大幅に改善し、保存則を支配する物理システムの広い範囲に応用可能な拡張性を備えています。