ベイズ最適化 — CAE用語解説

遺伝的アルゴリズムは「たくさん試してよさそうなものを選ぶ」方法——計算回数が多くなりがち。ベイズ最適化は「これまでの計算結果から次にどこを試せば最も有望か」を予測して、少ない試行で最適解に近づく手法だよ。CAEみたいに1回の計算が重い（数時間かかる）場合に特に向いてる。

ガウス過程回帰（Kriging）でサロゲートモデルを作るんだ。これまでの計算点から「この領域の目的関数はおそらくこんな形」という予測分布を作る。そしてacquisition関数（期待改善量EIなど）で「改善が最も期待できる次の点」を選ぶ。探索と活用のバランスを自動で取れるのが強み。

例えば自動車ボディパネルの板厚最適化。10枚のパネルの板厚（各0.5〜2.0mm）を変数にして、衝突安全性・重量・剛性を目標関数にする。遺伝的アルゴリズムだと500回以上の計算が必要なところを、ベイズ最適化なら50〜100回程度で同等の解が得られることがある。1回のFEM計算が2時間なら、差は計算時間の節約で何日にもなる。

Pythonならoptuna、scikit-optimize、BoTorchが定番。Ansys optiSlangやModeFRONTIERにも組み込まれてる。CAEソルバーをPythonから制御できれば、どのソルバーでも組み合わせられる。Hyperparameter TuningというML文脈で発展した手法なので、文献やライブラリが充実してる。

そのとおり。「評価コストが高い最適化問題」という文脈では、現在最も注目されてる手法の一つだよ。まずはoptuna（Python）で簡単な数理関数の最適化から始めてみると、仕組みが直感的にわかると思う。