深層学習 (Deep Learning) — CAE用語解説

完全に置き換えるわけじゃないけど、サロゲートモデル（代理モデル）として使うケースが増えている。例えば自動車のクラッシュシミュレーションだと、1回のFEM計算に数時間かかるよね。でも事前に数百〜数千ケースの計算結果でニューラルネットを学習させておけば、新しい設計パラメータを入力するだけで応力分布をミリ秒単位で予測できるんだ。

いいところに気づいたね。サロゲートモデルの精度は学習データの量と質に大きく依存する。実務では「設計探索・スクリーニングにはサロゲートモデルを使い、最終確認は従来のFEM/CFDで行う」というハイブリッド戦略が主流だ。例えば、1万通りの設計候補をサロゲートモデルで絞り込んで、上位100通りだけフル解析する、という流れだね。

Physics-Informed Neural Networkの略で、損失関数に支配方程式の残差を組み込むのが最大の特徴だ。普通のDLはデータだけから学ぶけど、PINNは「この解はナビエ・ストークス方程式を満たすべきだ」という物理的な制約を直接ネットワークに教えるんだよ。

例えば定常熱伝導の場合を考えよう。支配方程式は $\nabla^2 T = 0$ だよね。PINNではネットワーク出力 $\hat{T}(x,y)$ の2階偏微分を自動微分で計算して、$\nabla^2 \hat{T}$ がゼロに近づくように損失関数にペナルティを加えるんだ。データが少ない領域でも物理法則が制約として働くから、非物理的な解が出にくい。現場で多いのは逆問題——たとえば数か所の温度センサーのデータから材料の熱伝導率を推定するケースだね。

考え方は画像認識と同じだよ。似た物理現象で学習済みのモデルの重みを初期値として再利用するんだ。例えば、NACA 0012翼型の空力データ5000ケースで学習したモデルがあるとする。これをNACA 4412翼型に転移すれば、わずか200〜300ケースの追加データでかなり高精度なモデルが得られる。ゼロからだと3000ケースくらい必要なところをね。

そう。CAEの世界ではデータ1件を生成するのに数分〜数時間かかるから、学習データの生成コスト削減は非常にインパクトが大きい。転移学習はそのコストを1桁以上減らせる可能性がある。ただし、元のタスクと転移先のタスクがあまりにかけ離れていると逆効果（負の転移）になることもあるから、物理的な類似性の判断が重要だ。

鋭い疑問だね。いくつかアプローチがあるけど、一番わかりやすいのはSDF（Signed Distance Field）表現だ。解析対象の形状を格子状の画像に変換して、各ピクセルに「物体表面からの距離」を格納する。これをCNNの入力チャンネルにして、出力チャンネルに応力や温度のコンター図を予測させるんだ。

U-NetやEncoder-Decoderアーキテクチャが定番だ。画像セグメンテーションで使われるのと同じ構造だけど、入力が写真の代わりにSDFや境界条件マップ、出力がセグメンテーションマスクの代わりに応力や速度のコンター図になる。スキップ接続があるおかげで空間的な微細構造も保持しやすい。推論は数ミリ秒で完了するから、リアルタイムの設計インタフェースにも使えるんだ。

3D CNNを使えば対応できるよ。ただしメモリ消費が立方的に増えるから、解像度 $128^3$ くらいが実用的な上限になりがちだ。最近はGraph Neural Network (GNN)のアプローチもあって、非構造メッシュをそのままグラフとして扱えるからメッシュの自由度が高い。PointNetベースの手法で点群データを直接扱う研究も進んでいるね。

一番大事なのは外挿への注意だ。ニューラルネットは学習データの範囲内（内挿）では精度が高いけど、学習データにない条件——例えば未経験の材料特性や極端な荷重——に対しては予測が破綻しやすい。物理ベースのシミュレーションなら保存則が組み込まれているから外挿でもある程度頑張れるけど、純粋なデータ駆動モデルにはその保証がない。だからPINNのように物理則を入れるか、V&Vで外挿領域の信頼性を明確に評価することが不可欠だ。

間違いなく味方だよ。従来のFEM/CFDと深層学習は補完関係にある。FEM/CFDは物理的に厳密だけど遅い。深層学習は高速だけど汎化に限界がある。この2つを組み合わせたハイブリッドアプローチ——物理ベースのソルバーで学習データを作り、DLで高速推論し、重要ケースだけソルバーで検証する——が今の実務のベストプラクティスだ。今後はデジタルツインやリアルタイム制御の文脈でも、DLベースのサロゲートモデルの需要はどんどん増えていくはずだ。