逆問題 — CAE用語解説

本質的な違いは、因果関係の方向です。通常のCAE（順問題）は、原因（材料特性、荷重、境界条件）から結果（応力、変形、温度分布）を計算します。逆問題はその逆で、観測された結果から、未知の原因を推定します。例えば、製品表面の温度分布から内部の熱源位置や強度を推定するのが逆問題です。

その通りです。Hadamardの定義する「良設定問題」の3条件（解の存在、一意性、安定性）のうち、特に一意性と安定性が崩れます。例えば、構造物の表面のひずみ分布から内部の欠陥形状を推定する場合、異なる欠陥形状が同じ表面ひずみを生む可能性があります。また、観測データに微小なノイズがあっても、推定される原因が大きく変動する「不安定性」が生じます。

「正則化」という手法で扱います。最も基本的なTikhonov正則化では、目的関数に推定パラメータの大きさを罰則項として加えます。例えば、熱伝導逆問題で熱源強度ベクトル q を求める場合、最小化するのは次の関数です：

順問題の支配方程式が拘束条件となります。先の熱伝導の例なら、

最急降下法でも原理的には可能ですが、非効率で局所解に陥りやすいです。逆問題では、目的関数の勾配（感度）を効率的に計算する「随伴法」が広く使われます。例えば、100個の設計変数がある場合、順問題と随伴問題をそれぞれ1回解くだけで、目的関数に対する全設計変数の勾配が得られます。これは設計変数ごとに微小擾動を与えて順問題を解く「差分法」（101回の計算が必要）に比べて圧倒的に効率的です。

元の支配方程式（状態方程式）からLagrangeの未定乗数法によって導出される、新しい線形方程式です。熱伝導逆問題の例では、状態変数Tに対する随伴変数λを導入し、ラグランジアン

大きく変わります。連続変数の最適化手法は使えません。その場合は「形状トポロジー最適化」の逆問題版と考え、レベルセット法や密度法（SIMP法）を用いて、連続的な仮想的密度場（0から1）を設計変数とし、中間値をペナルティ化して0/1に収束させるか、あるいは遺伝的アルゴリズム（GA）や粒子群最適化（PSO）などのメタヒューリスティック手法を直接適用します。例えば、複数のセンサ位置からコンクリート内部の空洞位置を同定する問題では、GAがよく用いられますが、計算コストは非常に高くなります。

重要なチェックリストがあります。1) **観測データの質の評価**：ノイズレベル、センサ位置と数（少なすぎると解が定まらない）、2) **事前情報の定式化**：推定したいパラメータの物理的にあり得る範囲（例：熱伝導率は0.1〜500 W/mK）、3) **順問題モデルの検証**：仮定した境界条件や材料モデルが現実を十分表現できているか、を順問題モードで先に検証します。順問題モデル自体が間違っていれば、逆問題の解も当然間違います。

必ずしもそうではありません。コストと効果のトレードオフがあります。重要なのは「可観測性」です。例えば、平板の一端に熱源がある場合、反対側の端にだけセンサを100個置いても、熱源の詳細な分布は同定できません。センサ位置は、推定したいパラメータの変動が観測量に最も強く現れる場所、すなわち感度が高い場所に配置する必要があります。事前に感度解析を行い、感度マップを作成してセンサ配置を計画するのがベストプラクティスです。

まさにその点が核心です。収束は必要条件に過ぎません。必須の評価ステップが「解の唯一性と不確実性の評価」です。具体的には、1) **残差の分析**：収束後の残差が測定ノイズの統計的レベル（例えば、標準偏差の2倍以内）と一致するか、2) **正則化パラメータαの影響調査**：αを変えて解がどの程度変動するか（不安定性の評価）、3) **事後検証**：推定されたパラメータを用いて順問題を解き、別の検証用実験データ（解析に使っていないデータ）と比較する、などを行います。ベイズ推定の枠組みでは、事後確率分布を計算して不確実性を定量化します。

標準的なGUI操作だけでは困難です。しかし、スクリプティングと最適化モジュールを組み合わせることで実現可能です。例えば、**Ansys**では、パラメトリックモデルをAPDLまたはACTで構築し、DesignXplorerのGoal Driven Optimization (GDO) や optiSLang と連携させ、実験データとの誤差を目的関数として最小化します。**Abaqus**では、Pythonスクリプトで解析を制御し、IsightやHEEDSなどのプロセス統合・設計最適化（PIDO）ツールと連携させるのが一般的なアプローチです。

いくつかあります。**COMSOL Multiphysics**は「最適化モジュール」に逆問題専用の機能を内蔵しています。実験データをインポートし、「最小二乗目的」を設定するだけで、Tikhonov正則化を備えた逆問題ソルバーが起動します。随伴法による感度計算も自動で行われ、非常に使いやすいです。また、**ESTECO modeFRONTIER**や**Dassault Systèmes Isight**のようなPIDOツールは、多様なCAEソルバーと実験データを連結するワークフローを構築し、強力な最適化アルゴリズムライブラリ（GA、PSO、逐次二次計画法など）で逆問題を解くことができます。

研究開発の現場では多く使われています。FEMソルバーとして**FEniCS**や**CalculiX**、最適化ライブラリとして**SciPy**の`optimize`モジュールや**NLopt**、そしてそれらを統合するPythonスクリプトを自分で書くのが典型的です。特に、**PyTorch**や**TensorFlow**のような自動微分（AD）フレームワークを用いると、随伴法を自分で実装せずに物理インフォームドニューラルネットワーク（PINN）の枠組みで逆問題を扱えるため、近年注目されています。ただし、産業用途ではサポートと検証が課題になります。

最も多い原因は2つです。1) **正則化が不十分**：正則化パラメータαが小さすぎて解が不安定化し、ノイズに過剰適合（オーバーフィッティング）している。Lカーブのコーナー近くのαを選択してください。2) **設計変数に対する制約の未設定**：最適化アルゴリズムに「熱伝導率 > 0」といった単純なボックス制約さえ課していない可能性があります。Ansys DesignXplorerやCOMSOLの最適化モジュールでは、設計変数の上下限を必ず設定しましょう。

以下の対策を検討してください。1) **メッシュサイズとモデル簡略化**：逆問題の探索ループでは粗いメッシュで十分な場合が多いです。感度解析で重要な領域以外は大幅に簡略化します。2) **応答曲面法（RSM）の利用**：最初に設計空間をサンプリング（Latin Hypercube法等）し、順問題を数十回解いてKrigingなどの代理モデルを構築します。その後は、この軽量な代理モデル上で最適化を実行します。optiSLangやIsightはこの機能に優れています。3) **アルゴリズムの選択**：勾配法（随伴法利用）は、GAやPSOに比べて必要な順問題計算回数が一桁少ないことが多いです。

これは重要なポイントで、単純な二乗誤差和（SSE）を使うと、絶対値の大きな物理量が目的関数を支配してしまいます。一般的には、各データ点における誤差を、その点の測定値（または測定範囲）で正規化した「相対誤差」の二乗和を用います。

逆問題の目的関数は一般に多峰性（多くの局所解を持つ）です。対策は、1) **多スタート法**：異なる初期値から最適化を複数回（数十回）実行し、最も良い目的関数値を持つ解を採用する。Isightの「Multi-Start SQP」などが該当します。2) **メタヒューリスティック手法の初期探索**：GAやPSOで大まかな大域解を探索した後、その解を初期値として勾配法で精密化するハイブリッド手法を取ります。3) **事前情報の活用**：可能な限り、実験や経験から得られるおおよそのパラメータ値を初期値とし、探索範囲を狭めることが最も現実的です。