CAEデータ異常検知 — 数値解法と実装

代表的な手法を整理しよう。

場のデータ（応力場、温度場など）にはオートエンコーダやVAEが向いている。2D/3Dの空間構造を活かせるConvolutional Autoencoderが特に有効だ。一方、パラメータ空間での異常検知（設計パラメータと応答の関係の逸脱）にはIsolation ForestやLOFが実用的だ。

データの前処理が成否を分ける。CAEデータ固有のパイプラインはこうだ。

1. スケーリング: 各物理量を個別にMin-Max正規化またはZ-score正規化する。応力と変位を混在させるなら必須

2. 特徴量抽出: 場のデータからスカラー特徴量（最大値、平均、標準偏差、勾配の大きさ）を抽出する方法と、場のデータをそのまま画像として扱う方法がある

3. 欠損値処理: 発散した計算ケースのNaN/Infの除去またはフラグ付け

4. 次元削減: PCAやt-SNEで次元を落としてから異常検知する手もある

大規模CAEデータ（数万ケース、各ケースで数百万節点）をNumPy配列として効率的に読み書きするには、HDF5のチャンクI/Oと圧縮機能が不可欠だ。CSV読み込みに比べて10倍以上速くなることも珍しくない。

• scikit-learnのIsolationForest、LocalOutlierFactorはそのまま使える
• PyTorchでオートエンコーダを組む場合、ボトルネック層の次元が重要。入力次元の1/10〜1/20程度から試す
• バッチサイズは小さすぎると学習不安定、大きすぎると異常の特徴が平均化されて埋もれる。32〜128程度が目安
• 異常スコアの閾値は訓練データの再構成誤差の95パーセンタイルや99パーセンタイルを使うことが多い

精度(Precision)、再現率(Recall)、F1スコア、AUC-ROCが基本指標だ。ただしCAEの文脈では異常データが極めて少ないことが多いので、PR曲線（Precision-Recall曲線）の方がROC曲線より適切な評価になることが多い。また、検出された異常が物理的に意味のあるものかどうかのドメインエキスパートによる確認も欠かせない。