機械学習 — CAE用語解説

良い質問だ。本質的な違いは「第一原理」か「データ駆動」かだ。CAEのFEMやCFDは、支配方程式（ナビエ-ストークス方程式やフックの法則）を離散化して解く。一方、機械学習、特にニューラルネットワークは、入力Xと出力Yの関係を、大量のデータから「関数近似」する。例えば、材料の微視組織画像を入力し、その引張強度を出力するモデルを作る。物理シミュレーションは原因から結果を導くが、MLは相関関係から予測モデルを構築する。

線形回帰は単純だが、複雑な非線形関係を捉えきれない。ニューラルネットワーク（NN）は、複数の「層」と「活性化関数」を組み合わせることで、非常に複雑な関数も近似できる「普遍性定理」が理論的根拠だ。1つの隠れ層を持つNNでも、任意の連続関数を任意の精度で近似可能だ。CAEでは、材料の塑性や破壊、乱流モデルなど、従来は経験則に頼っていた非線形現象のモデル化に使われる。

CAEでは圧倒的に「教師あり学習」が主流だ。教師データとは、入力パラメータ（形状、荷重条件、材料特性）と、それに対応するCAEシミュレーション結果（応力、変形、温度分布）のペアだ。例えば、1000通りの設計パラメータでFEM解析を実行し、その入出力データセットから代理モデル（サーロゲートモデル）を構築する。一方、「教師なし学習」は、ラベルのないシミュレーションデータのクラスタリングや次元削減に使われる。例えば、多数のCFD結果から類似した流れパターンを自動的にグループ分けするのに使える。

非常に起こりやすい。CAEで教師データを作るのはコストが高いので、データ点数が限られる（例えば数百〜数千点）。一方、NNのパラメータ（重みとバイアス）は数百万にもなることがある。パラメータが多すぎて、限られた訓練データに完璧にフィットし、未知のデータでは全然ダメなモデルができあがる。これが過学習だ。対策は、データを訓練/検証/テストに分け、早期打ち切りやL2正則化（重みの大きさにペナルティ）を入れることだ。Ansysの「Ansys® optiSLang」などは、代理モデル構築時にこれらの過学習対策を自動化している。

そうだな。「順伝播」は、入力（例えば、板厚、曲げ半径、荷重）をネットワークに通して予測値（最大応力）を計算する過程だ。FEMで言えば、剛性マトリックス[K]を作成し、荷重ベクトル{F}を与えて変位{u}を求める直接法の計算に相当する。
「誤差逆伝播法」は、予測値と正解値（CAE結果）の誤差を、出力層から入力層に向かって逆に伝播させ、各重みパラメータの修正量を計算する。これは、FEMの感度解析や最適化で用いる随伴法（Adjoint Method）の考え方に近い。誤差という「コスト関数」を各パラメータで微分しているのだ。

多くの場合、平均二乗誤差（MSE）が使われるが、絶対ではない。物理的な制約を組み込むことが重要だ。例えば、材料の降伏応力

非線形解析の「時間ステップ」や「増分荷重」に近い概念だ。学習率が大きすぎると（ステップが大きすぎると）、損失関数の谷を飛び越えて発散したり振動したりする。小さすぎると、収束までに膨大な反復回数（エポック数）が必要になる。CAEのデータはノイズが少ないことが多いので、AdamやRMSpropといった適応的な学習率調整アルゴリズムがよく使われる。例えば、初期学習率を0.001に設定し、検証誤差が10エポック改善しなければ0.1倍にする、といったスケジューリングが典型的だ。

メッシュサイズと同様、問題の複雑さと計算コストのトレードオフだ。経験則として、単純な応力集中の代理モデルなら、入力数（設計変数の数）の数倍〜数十倍のノードを1〜3層もあれば十分な場合が多い。しかし、時系列のCFDデータや画像データを扱う「畳み込みニューラルネットワーク（CNN）」では、層が数十に及ぶこともある。決め方は試行錯誤だが、小さなネットワークから始めて性能が足りなければ大きくする。過学習を避けるため、データ点数に対するパラメータ数の比を監視する。パラメータ数がデータ点数より極端に多いのは危険信号だ。

まず「問題定義」だ。何を予測したいのか？ 例えば、「5つの設計パラメータから、最大等価応力を1%以下の誤差で予測する代理モデル」と明確にする。次に「データ生成計画」。ここがCAE-MLの肝だ。設計空間を効率的にサンプリングするため、ラテン超方格サンプリングやSobol列などの実験計画法（DOE）を使う。Ansys Workbenchの「Parameter Set」や、Dassault Systèmesの「Isight」がこの機能を持つ。無作為抽出より少ない点数で空間をカバーできる。

その通り。数十万ノードの変位データをそのまま入力にするのは非現実的だ。まず「特徴量エンジニアリング」が必要だ。最大値、最小値、平均値、標準偏差、特定ポイントの値など、工学的に意味のある指標を抽出する。例えば、板ばねの解析なら、フィレット部の応力集中係数、全体のひずみエネルギーなどだ。より高度には、主成分分析（PCA）でデータの主要な変動モードを抽出し、その係数を特徴量とする。これが「次元削減」だ。

必須に近い。NNの活性化関数の性質上、入力値のスケールが大きく異なると、学習が不安定になり、収束が遅くなる。典型的な方法は「Min-Maxスケーリング」で、各特徴量を0から1の範囲に収める。例えば、応力が100MPaから500MPaの範囲なら、

CAEの収束判定とは全く異なる。絶対的な指標は「テスト誤差」だ。全データを訓練用（70%）、検証用（15%）、テスト用（15%）に分ける。テストデータは学習過程で一切触れない「未知のデータ」だ。このテストデータに対するモデルの予測精度（例えば、平均絶対誤差が2MPa）が許容範囲内かどうかで判断する。また、予測値とCAE結果の散布図（Y=Xの直線にどれだけ近いか）や、残差の分布を確認する。設計空間全体で誤差が均一か、特定の領域で大きいかも重要だ。

各社とも「代理モデル（メタモデル）構築」と「設計探索・最適化」の文脈で統合している。Ansysでは「optiSLang」が中核だ。Workbenchでパラメータスタディを実行し、その結果から応答曲面（RSM）やKrigingモデルに加え、ニューラルネットワークを用いた代理モデルを自動構築する。Siemens Simcenter™では「HEEDS」が同様の役割を果たし、STAR-CCM+のCFD結果と連携して流れの最適化に使われる。

その認識は正しい。Dassault SystèmesのAbaqus自体には専用MLGUIはないが、Pythonスクリプト（Abaqus/CAEはJython）を通じてあらゆる操作が自動化できる。したがって、Scikit-learnやTensorFlow/PyTorchといった外部のMLライブラリと連携させやすい。3DEXPERIENCEプラットフォーム上では「Isight」が代理モデル機能を提供する。また、Abaqusの「パラメータスタディ」機能でデータを生成し、別ツールで学習するのが一般的なワークフローだ。

研究開発やカスタマイズ性を求める場合、これらが主流だ。
1. Pythonエコシステム: NumPy, Pandas (データ処理), Scikit-learn (古典的ML), TensorFlow/PyTorch (深層学習) の組み合わせ。CAE結果のCSVやVTKファイルを読み込んで処理する。
2. NVIDIA Modulus: 物理法則に基づいたAIモデル構築に特化。元はSimNetで、PINNのフレームワークとして注目されている。CFDや構造力学のベンチマークあり。
3. SALOMEプラットフォーム: オープンソースのCAE前後処理環境。Pythonベースなので、MLパイプラインに組み込みやすい。
商用ツールに比べ、習得コストは高いが柔軟性は圧倒的だ。

そう、典型的な過学習だ。データ増加が難しいCAEでは以下の対策が有効だ。
1. モデル複雑度の削減: 隠れ層の数やノード数を減らす。これが第一選択肢。
2. 正則化: L2正則化（重み減衰）を導入。損失関数に重みの二乗和

「学習不足」だ。考えられる原因と対策は：
1. 学習率が小さすぎる: 初期学習率を0.01や0.001に上げてみる。Adamオプティマイザならデフォルトの0.001でまず試す。
2. ネットワークが浅すぎる/表現力不足: 問題が複雑なのに1層しかないなど。層数やノード数を少し増やす。
3. データの前処理ミス: 正規化を忘れ、入力スケールがバラバラだと学習が進まない。出力データの正規化も忘れずに。
4. 勾配消失: 層が深く、活性化関数にシグモイドを使っている古いネットワークで起こりがち。ReLUやその派生関数を使うこと。
5. そもそも入力と出力に関係がない: CAEの設定ミスで、パラメータを変えても結果が変わっていないなど。データをプロットしてまず確認せよ。

重要な指摘だ。CAEにおける外挿とは、訓練データがカバーしていない設計パラ