転移学習 — CAE用語解説

使うよ。CAEのシミュレーションは1ケース回すだけで何時間もかかることがあるから、学習データを大量に用意するのが難しい。そこで、似た条件で事前学習したモデルの知識を流用して、少ないデータでも高精度な予測モデルを作ろうというのが転移学習の狙いだ。

あるタスク（ソースドメイン）で十分に学習したニューラルネットワークの重みを、別の関連タスク（ターゲットドメイン）の初期値として使い、少量のデータでファインチューニングする手法だ。たとえば、簡易メッシュの流体解析で学習したモデルを、高精度メッシュの解析結果で微調整するようなイメージだね。

自動車のクラッシュシミュレーションが分かりやすい例だね。車種Aのフルモデルで何百ケースも計算したデータで学習したサロゲートモデルがあれば、似た車格の車種Bでは数十ケースの追加計算だけで予測精度が出せる。開発の初期段階でシミュレーション工数を大幅に圧縮できるんだ。

ソースとターゲットの物理的な類似性が高いほど精度は出やすい。逆に、まったく異なる物理現象間で転移すると「負の転移」が起きて性能が悪化する場合もある。だから、どのレイヤーまで凍結してどこからファインチューニングするかの判断が実務上のポイントだね。

• 機械学習
• ニューラルネットワーク
• サロゲートモデル

いいね。まずはソースとターゲットの物理的な共通点を整理するところから始めると失敗しにくいよ。