- 「CAE での解析がなかなか終わらない…」
- 「もっと効率的にできないか…」
そんなお悩みにお応えするのが、
弊社が長年培ってきたCAE技術と最新のAI技術を融合させて開発した、
「サロゲートAIシステム」です。
AI が、CAE での計算時間を劇的に高速化させます。なかには、1000倍以上の高速化に成功した例もあります。
深層学習用 AI が CAE (教師) データを事前に学習することで、新しい設計案の解析結果を瞬時に算出します。
AI によって、既存の CAE 機能では叶えられなかった圧倒的な業務効率化を、実現することが可能になります。
サイバネットが提供するのは、CAE 解析の高速化に特化した AI
弊社が提供する AI は、AIの中でもニューラルネットワークによる
深層学習手法を用いた高速化を実現させる AI です。
世の中にはこれまでに様々な手法を駆使してCAE解析の高速化の取り組みがなされてきました。
これらを大きく分類すると、「データドリブン型手法」と「データドリブン型でない手法」に分けられます。
データドリブン型手法とは？
データドリブン型手法は、最初に模倣すべき解析データを準備し、統計学をベースにそのデータを近似的に表現する数式モデルを陰に陽に構築します。この近似式が新規条件下での高速予測を可能にしてくれます。その代表例がニューラルネットワークや応答曲面による手法です。
データドリブン型でない手法とは？
データドリブン型でない手法とは、解析データを産み出す支配方程式レベルまで立ち返り、見たい物理現象に相応しい状態空間から主要な情報のみを引き出す次元削減を行ったり、相応しい簡易モデル構築を行ったりして高速処理を可能にする方法です。それらの代表例がKurylov部分空間法や熱回路網法などの等価回路モデルです。またニューラルネットワーク(PINN)に直接、支配方程式や境界・初期条件を学習させることでも見たい物理現象を算出することができます。
それぞれの手法の特徴については下の表や表中の注釈を参考にして下さい。
また表ではAI手法ではないが機能比較として並列処理(HPC)も掲載しています。
お客様が希望される高速化がどのような運用方法で行われるのか、また目的とする高速化のゴールイメージがどの特徴とマッチするのかをこうした表を通じて確認する必要があります。本サービスはAI手法の中でもニューラルネットワークによる深層学習を利用したデータドリブン型手法になります。その特長と手法の魅力は以下になると考えます。
特徴
- 01
- CAEサロゲートモデルとして活用 入力する設計変数と出力する目的変数の数に制約はありません。これらの変数として2,3次元の形状データや解析結果分布を選ぶことができるので、CAEの代理モデルとして利用できその出力も瞬時に行えます。
- 02
-
顧客ニーズに適合した
ニューラルネットワークの構築 ニューラルネットワークのアーキテクチャーは多層パーセプトロンがベースですが、これをベースに解析目的に応じて畳み込み型、再帰型、もうジュール構造型にも拡張が可能であり、顧客ニーズに適合した柔軟なアルゴリズムの構築が可能です。
- 03
- 予測精度の確認 サロゲートモデルの訓練(学習)度合い、予測精度については誤差関数グラフから確認します。またニューラルネットワークの出力層に出力結果として平均値に加え分散値も考慮することで、予測結果の不定性の確認も行えます。
- 04
- 汎化性能の保証 ニューラルネットワークは活性化関数や最適化関数の選択、正則化・正規化・初期化の手法の選択、それらのハイパーパラメータ・中間層数・ユニット数の決定だけでモデル構築が可能であり、恣意的に近似関数を指定する必要がなくモデル構築がし易いと考えられます。また様々なアルゴリズムを組み合わせることで、非線形性が強い結果予測に対しても比較的汎化性能を保証し易い手法と考えられます。
適用事例
静的構造解析における高速予測サロゲートAIのユースケース
製品形状を変更したときの一様荷重に対する3D変形量分布をAIで予測した事例になります。
パラメトリックに形状変更したCADデータからメッシュモデルを作成しモデルデータを入力値に、一方静的構造解析で得られた３D変形量分布を出力値としてAIに教師データとして与え深層学習(3D畳み込みニューラルネットワークを使用)を行わせます。
下の事例では小規模メッシュ数のレバーモデルに対し40ケースの学習データを使い、テストデータ用として残したCAE解析結果と形状変更に対しAIが予測した結果の比較(差分)を行っています。この事例では形状変更に対する変形量分布が大きく変化することがないこともありますが、比較的現実的な学習用データ数で良い精度でAI予測が可能です。この程度のモデル規模であればサロゲートモデル構築に10分程度要し、予測時には結果を瞬時に出力できます。
製品形状を変更したときの変形強度予測AI
よくあるご質問
- QCAEサロゲート AI システムの導入までにかかる期間はどのくらいでしょうか？
-
A お客様の課題をヒアリングさせていただいてから、最終的なシステムを納品させていただくまでの期間は、
一般的な目安で 4ヶ月程度です。
- Qサイバネットの AI はどのような CAE 解析に向いていますか？
-
A できるだけ多くの設計条件でCAE解析を実施することを目標に1解析当たりの解析時間を短くしたい場合に向いています。ただし一口にCAE解析の高速化と言っても様々な高速化手法があるため、先ずはお客様の運用方法、目指す高速化イメージに合った弊社のソリューションを検討させていただきます。その上で既存のAIシステム、もしくは個別のカスタマイズ開発を通じた弊社独自のAIシステムをご提供させていただきます。
- Qサイバネットの AI はどのような技術者に向いていますか？
-
A 具体的には以下のような解析データの情報収集(データドリブン型取り組み)がし易いお客様に向いていると思われます。
- 本来なら製品企画や概念設計段階で、もう少し形状パラメータなどの設計パラメータの多くを振りたいが作業時間がない、もしくは解析が面倒でできていない方
- 既存の解析データ、もしくはこれから取得する解析データをできるだけ多く収集したり利用できる環境にいる方（1解析当たりの計算負荷が比較的重過ぎないのが望ましい）
- 一方、取り掛かる解析テーマがいつも内容的に異なり、計算負荷の高い大規模解析かつ少量の解析回数で済むような解析に当たっている方は本サービスに向いていません
- これまでに取得した解析・分析データや実測データを有効活用して過去の知見を活かしたAIによる製品設計を行ってみたい方（ただし概念実証からスタートしますので予測精度をどこまで保証するかについてはその結果を見ながらご相談の上決めさせていただきます）
- QAI はどのような原理で高速化を可能にできるのでしょうか？
-
A 仮に新規で教師データを収集する場合でも各パラメータの最大最小値を押さえその領域を従来よりも少ない水準数で値を振ることで全体としてのケーススタディ数を削減できます。後はここで収得した教師データを深層学習したサロゲートモデルがCAE解析時間の1000倍以上のスピードでデータ補間を可能にしてくれます。もちろん既存データ(CAE or 実測データ)の蓄積がある場合にはそれらの情報も学習させることで、より幅広い汎化性能をもったAIが未知の予測(パラメータ同士の様々な組み合わせ等)を可能にしてくれます。
上記に回答が見つからない場合はこちらからお問い合わせください。
- サロゲート AI 構築のための
深層学習ソフトウェア - 「Neural Concept Shape」についてはこちら
