地盤工学における弾塑性の境界値問題は、従来は有限要素法（FEM）で解析されてきました。しかし、FEMは増分反復手法に伴う高い計算コストが課題となっており、より効率的な解析手法の開発が求められています。一方、物理情報ニューラルネットワーク（PINN）はメッシュフリーという利点を持つ一方で、スペクトラルバイアスという根本的な問題に直面しており、特に弾塑性境界や局所化された塑性領域における急峻な応力勾配を正確に捉えることができないという限界がありました。 この研究では、非関連則のモール・クーロンモデルを対象とした、より高度な課題に直面しています。このモデルは圧力依存的な降伏面と膨張流則を持つため、圧力非依存的な準則よりも狭い塑性領域とより急峻な応力勾配を生じさせます。研究チームは、ランダムフーリエ特徴量マッピングを入力層に組み込んだフーリエ特徴量物理情報ニューラルネットワーク（FF-PINN）を提案しました。この手法は、釣り合い条件や構成則、カラッシュ・キューン・タッカー条件をFEMの高精度データに対して強制する多目的損失関数と、ひずみ適応サンプリング戦略によってサポートされています。 3つのテストケースでベンチマーク評価を実施した結果、FF-PINNは変位で最大66％、応力成分で27％の誤差低減を実現し、塑性破壊領域の幾何学的形状をFEMよりも高い忠実度で再現することに成功しました。感度解析により、訓練データサイズ、照合点密度、損失加重、および2.0％までのノイズレベルに対するロバスト性が確認されています。さらに、FF-PINNは従来のPINNに必要な訓練エポック数の半分で収束し、計算時間を半減させながらもより高い予測精度を達成します。このフレームワークは、地盤弾塑性解析における計算効率と物理的一貫性を兼ね備えた、FEMの実用的な代替手段として機能することが期待されます。