ベイズキャリブレーション — トラブルシューティングガイド
より充実した内容を bayesian-calibration.html でご覧いただけます。
ベイズキャリブレーションの構成要素と壊れどころ
ベイズキャリブレーションは、実測データ \( D \) からCAEモデルの未知パラメータ \( \theta \)（材料定数・境界剛性・熱伝達率など）の事後分布を推定する枠組みです。
$$ p(\theta \mid D) \propto p(D \mid \theta)\, p(\theta) $$
CAEでの実装は通常、①事前分布 \( p(\theta) \) の設定、②尤度 \( p(D\mid\theta) \)（観測ノイズモデル）の設定、③CAEを代理するサロゲートの構築、④MCMC等による事後サンプリング、の4段構成です。トラブルは必ずこの4箇所のどこかで起きるので、症状から発生箇所を逆引きするのが本ページの構成です。
最小二乗でフィットするのと何が違うんですか？ わざわざ分布で求める意味って…。
答えが「点」ではなく「分布」で出ることの価値は、同定の不確かさがそのまま次の予測に伝搬できることなんだ。最小二乗の点推定では「ヤング率は205 GPa」で終わるけど、ベイズなら「205±3 GPaで、板厚との相関が強い」まで分かる。この幅と相関構造が、較正後のモデルで信頼区間付きの予測をするための材料になる。逆に言うと、分布を出したのに点（MAP値）しか使わないなら、苦労の大半を捨てていることになるよ。
症状1: MCMCが収束しない（R̂が下がらない）
| チェック | 対処 |
|---|---|
| 収束診断を数値で見ているか | 複数チェーン（4本以上）で \( \hat{R} < 1.01 \)、有効サンプル数（ESS）数百以上を基準に。トレースプロットの目視だけで判断しない |
| パラメータのスケール差 | 全パラメータを対数変換・標準化してからサンプリング。ヤング率(10¹¹)と摩擦係数(10⁻¹)の混在は提案分布を破綻させる |
| 強い事後相関 | 相関の強いペア（剛性と板厚など）は積の形でしか効いていない疑い。再パラメータ化（積と比に変換）か、相関に強いサンプラー（NUTS/HMC・アンサンブル型）へ |
| 尤度評価が遅すぎる | 1評価=CAE1回では数万評価のMCMCは不可能。サロゲート化が事実上必須 |
| 多峰性 | 複数チェーンが別の山に留まるなら解が非一意。テンパリング（並列焼きなまし）か、観測の追加で峰を分離 |
症状2: 事後分布が事前分布とほぼ同じ
データがそのパラメータに関する情報を持っていないサインです。原因の切り分けは感度分析が先——観測量がそのパラメータに感度を持たないなら（Morris法で確認）、どれだけデータを増やしても事後は締まりません。対処は、①感度のある観測量・センサ位置・荷重条件を追加する（実験計画の見直し）、②感度のないパラメータは較正対象から外して事前分布のまま伝搬させる（無理に同定しない）、③観測ノイズの設定が過大なら実測に基づいて締める、の順です。「全パラメータを一度に同定したい」は失敗の元で、感度上位の少数パラメータに絞るのが定石です。
症状3: 事後が非物理的な値・範囲の端に張り付く
これはベイズ較正で最も深刻な症状で、多くの場合モデル不備（model discrepancy）の吸収が起きています。モデルに欠けている物理（接触剛性・減衰・熱損失）の影響を、較正パラメータが非物理的な値になることで補償しているのです。この状態の較正モデルは、較正データ近傍では合いますが外挿で大きく外れます。対処は次の通りです。
- Kennedy-O'Hagan型の不備項を導入 — 観測 = モデル(θ) + 不備項 δ(x) + ノイズ、とし、δをガウス過程で表現。パラメータが物理的な範囲に戻ることが多い
- 物理範囲を事前分布で明示 — 材料試験・規格からの強い事前分布で非物理領域を抑制。ただし事後が事前の端に張り付くならモデル不備の警報と読む
- モデル自体を修正 — 張り付いたパラメータが示唆する欠落物理（境界が固すぎる等）をモデルに追加する。これが本質的な解決
不備項を入れるとパラメータと不備の間に識別不能性（どちらでも説明できる）が生じるため、不備項の事前分布（滑らかさ・振幅）を保守的に設定し、「較正の目的は物理パラメータの真値か、予測精度か」を先に決めておくことが重要です。
症状4: 較正後の予測が新しい条件で外れる
較正データへの過適合か、不備項の外挿が原因です。検証の規律として、較正に使わなかったホールドアウト条件（別の荷重・別の温度域）での予測性能を必ず測ります。予測は事後分布全体を伝搬した予測区間で行い、「新データの何%が予測区間に入ったか」（被覆率）で評価します。被覆率が名目（95%区間なら約95%）から大きく外れる場合、①観測ノイズの過小評価（区間が狭すぎる）、②不備項の外挿不能性（較正域の外で無効）、③較正域と予測域の乖離、を疑います。不備項は較正データの領域内でのみ有効——これはベイズ較正の原理的な限界で、報告書に適用範囲として明記すべき事項です。
症状5: サロゲート誤差が事後を歪める
MCMCがサロゲート上で走る以上、サロゲートの誤差は事後分布の誤差に直結します。落とし穴は、サロゲートの検証を事前分布の全域で行い、事後が集中する狭い領域での精度を見ていないことです。対処は逐次的な精緻化で、①初期サロゲートで粗く事後を推定、②事後の高確率領域にCAEサンプルを追加してサロゲートを更新、③事後を再推定——を数回繰り返します（クリギングなら予測分散が追加位置の指針になります）。最終報告の前に、事後のMAP点と数個の代表点で実CAEを回してサロゲートとの差を測ることを省略しないでください。サロゲート誤差が観測ノイズと同オーダーなら、その較正結果は信用できません。
症状6: 観測ノイズσの設定で結果が大きく変わる
尤度のノイズ標準偏差 \( \sigma \) は事後の幅を直接支配します。σを「それらしく」固定するのは危険で、実務の定石は次の3つです。①σも未知パラメータとして同時推定する（弱情報事前分布を与える）、②繰り返し測定があるなら実測ばらつきから設定する、③複数センサの観測を使うなら相関ノイズ（共分散）を検討する——独立ノイズの仮定は情報量を過大評価し、事後を不当に狭めます。「事後が狭すぎる」症状の犯人は、たいてい楽観的なノイズモデルです。
品質チェックリスト（報告前の最終確認）
- R̂・ESSの数値と複数チェーンの一致を確認したか
- 感度のあるパラメータに絞ったか（Morris等の根拠付き）
- 事後が事前の端・非物理域に張り付いていないか（張り付き=モデル不備の警報）
- サロゲート精度を事後の高確率領域で検証し、MAP点で実CAE検算をしたか
- ホールドアウト条件での予測区間の被覆率を測ったか
- ノイズモデルの根拠（同時推定か実測ベースか）を明記したか
- 較正の適用範囲（較正データの条件域）を報告書に明記したか
正直、ここまでやるのは大変です…。簡易版の落とし所ってありますか？
あるよ。段階を踏めばいい。レベル1: 最小二乗の点推定＋感度分析（どのパラメータが効くかの根拠）。レベル2: それにブートストラップやラプラス近似で不確かさの幅を付ける。レベル3: フルベイズ（MCMC＋不備項）。多くの実務はレベル2で十分な意思決定ができるし、レベル3が要るのは「同定の不確かさが設計判断を左右する」高リスク案件だ。大事なのはレベルに関わらずホールドアウト検証と適用範囲の明記——これだけは省略しないこと。これがあるだけで、較正結果は「合わせ込み」から「検証可能な工学的成果物」に変わるからね。
関連記事：ベイズキャリブレーション（統合版）、クリギングサロゲート、Morris法によるスクリーニング。
関連トピック
なった
詳しく
報告