ML適応メッシュ細分化

ML適応メッシュの理論基礎

適応ループのどこを学習で置き換えるか

古典的な適応メッシュ細分化（AMR）は「SOLVE（解く）→ESTIMATE（誤差推定）→MARK（細分要素選択）→REFINE（細分）」の反復です（基礎はh-リファインメント参照）。機械学習の導入点は主に3つあります。

なぜこのタスクは学習に向くのか

メッシュをどう表現するか——グラフが自然

メッシュは要素数も接続も可変なので、固定長ベクトルのMLPよりグラフニューラルネットワーク（GNN）が自然な表現です。節点/要素をノード、隣接をエッジとし、局所特徴（解の勾配・ヘッセ行列の近似・要素形状・境界からの距離・材料境界フラグ）を載せて、メッセージパッシングで近傍情報を集約します。CNNベース（画像化した解場からサイズ場を出す）は構造格子・2Dで手軽ですが、非構造3Dの実務への拡張性ではGNN系が主流になっています。

学習の設計

教師データの作り方（アプローチ①②）

1. 問題集の設計 — 対象クラスの形状・荷重・物性をランダム化した数百問題を用意（分布設計はサロゲート一般と同じ規律）
2. 「正解」の生成 — 各問題を過剰に細かい参照メッシュで解き、粗メッシュ解との局所誤差分布、または収束した適応履歴の最終サイズ場を教師にする
3. 特徴量の抽出 — 粗メッシュの解から計算できる量だけで構成する（推論時に使えない情報を教師特徴に混ぜない）
4. 学習と較正 — 誤差指標の回帰なら、絶対値よりも順位（どの要素が最も悪いか）が当たることが重要。順位相関を検証指標に含める

強化学習の定式化（アプローチ③）

状態=現在のメッシュと解、行動=要素ごとの細分/維持/粗大化、報酬=誤差減少−計算コスト増、という定式化で、「どの順に細分すると総コスト最小で目標精度に達するか」を方策として学習します。逐次的な意思決定（早期の細分が後の解の質を変える）を扱える点が回帰型との違いですが、学習の安定化・報酬設計（誤差の真値をどう測るか）にコストがかかるため、研究先行・実務は回帰型からという段階論が現実的です。

汎化の境界を設計する

ML-AMRの実力は「学習した問題クラスからどこまで離れられるか」で決まります。汎化を助ける設計は、①無次元化した特徴（解の絶対値でなく正規化勾配）、②局所性（グラフの受容野を絞り、大域形状への依存を減らす）、③物理クラスごとのモデル分割（構造/熱/流体で分ける）。逆に「1つのモデルで全物理・全形状」は現状の技術では過大な期待で、クラスを絞るほど実用精度に届きやすいのが経験則です。

実務への持ち込み方

現実的な導入形態は「初期メッシュ推奨」

フル自動の学習型適応ループより先に実務価値が出るのは、「1発目のメッシュを賢くする」使い方です。形状と解析条件からサイズ場を予測し、メッシャーのサイズ制御に渡す——これだけで「粗すぎて再解析」「過剰に細かくて待ち時間」の往復が減ります。予測サイズ場はあくまで初期値で、最終確認は古典的な収束チェックで行う構成なら、MLの間違いが品質事故に直結しません。

品質保証の原則——検証は古典手法のまま

ML-AMRを使っても、解の品質保証はメッシュ収束性確認（GCI等）という古典的検証で行うのが原則です。学習モデルは「良いメッシュを速く見つける道具」であって「メッシュが良いことの証明」ではありません。レビューで問うべきは従来と同じ——「このメッシュでもう1段細分したら結果はどれだけ動くか」。この問いへの答え方はMLの有無で変わりません。

効果の測り方

導入効果は「同一精度に到達するまでの総コスト」で測ります。①目的量の誤差が同水準になるセル数の比較（ML推奨メッシュ vs 一様/人手メッシュ）、②適応反復の回数削減（ソルバー実行回数）、③エンジニアのメッシュ作成工数。報告には失敗例（変な細分をした形状）も含め、適用範囲を明文化します。「平均30%セル削減、ただし薄肉リブ形状は対象外」のような条件付きの主張が、信頼される導入報告の形です。

ツールと実装の現状

商用・研究の状況

自社データ資産の棚卸しから始める

ML-AMR導入の最初の作業はモデル選定ではなく、過去解析データの棚卸しです。①最終採用メッシュ（=職人の答え）が形状・条件と紐付いて残っているか、②収束確認までやった「品質保証済み」案件はどれか、③フォーマットは機械可読か。教師にできるのは②だけ——収束確認のない過去メッシュを教師にすると、過去の癖（過剰・過少）ごと学習します。データガバナンスがモデル性能の上限を決める、というML一般則がここでも成り立ちます。

先端研究の動向

強化学習AMRの進展

要素単位の細分をマルチエージェント的に扱う定式化、目的量誤差を報酬に据えたゴール指向RL、方策の形状間汎化の研究が進んでいます。数値実験では古典指標（勾配ベース）を上回るコスト効率の報告が増えていますが、異方性細分（境界層のような方向性のある細分）への拡張と学習コストの回収が、実務適用へ残る主要課題です。

微分可能メッシュとエンドツーエンド学習

メッシュ生成・細分の操作を微分可能にし、「最終的な解の誤差」から直接メッシュ操作を勾配学習する研究（微分可能シミュレーションの一分野）が現れています。r-refinement（節点移動）は連続操作なので特に相性が良く、解と同時にメッシュを最適化するMovement系手法とNNの融合が報告されています。h型の離散操作を含む完全なエンドツーエンドはまだ研究段階です。

演算子学習との住み分け・融合

FNO等の演算子学習が「解そのものを予測」する方向に進む中で、ML-AMRは「正確に解くための離散化を予測」する相補的な位置にあります。融合形として、演算子学習の粗い予測から誤差の大きい領域を推定して細分を先回りする、逆にAMR済みメッシュ上の解を演算子学習の教師にする、といった相互利用が始まっています。「予測で済む場面は予測、保証が要る場面は良いメッシュで解く」という二段構えの中間層として、ML-AMRの位置づけは今後も太くなる見込みです。

トラブル対応

症状別の原因と対策

導入判断の一言

関連記事：h-リファインメント（古典）、GCIによる収束性検証、ML×メッシュの記事一覧。