空力と構造の連成・3つの翼

今日のご案内 ☕✨ # 前回は、合格を「どの物差しで」決めたかを見た。今回は、改善を「何と比べて」言っているかを見る。データセンターの仮想マシン集約を調べた研究は、群知能などの探索だけを外し、ほかの条件をそろえた対照を置いた。すると、報告されてきた省エネの大半は、探索ではなく最初の詰め込み方と空いたサーバーの停止から来ていた。24の比較のうち、探索でエネルギーが減ったのは6つで、そのうち5つは仕事を終えていないタスクがあったせいだった。比べる相手をそろえると、改善の大きさも向きも変わる。 前回から変わった点も先に書く。前回のLuminaryの事例は、学習範囲の外の形状には予測を出さずCFDへ回す話だった。今回Luminaryは、空力の代理モデルと構造の計算を連成させた結果を出し、3つの翼でCFDとの連成に揚力の低下で0.2〜0.8ポイント差まで近づけた。ただし比べた翼は3つずつだ。前回の乱流DNSの圧縮の研究が示した「甘い物差しでは合格、厳しい物差しでは不合格」は、今回の乱流の生成AIの総説でも、検証で見るべき項目として並べ直されている。 1. データセンターの仮想マシン集約、探索だけを外した対照と比べると、群知能の省エネの大半は消える # Aun氏とWoo氏は、仮想マシン（VM）を少ないサーバーに集めて電力を減らす既存の実装を、シミュレーターCloudSim Plusで再現した。そのうえで、最初のVMの詰め込み方と、空いたサーバーを止める仕組みはそのままにし、移動先を探す探索だけを外した「そろえた対照」を作った。比べたのは蟻コロニー最適化（ACO）、粒子群最適化（PSO）、改良型遺伝的アルゴリズムの3つで、サーバー群の構成2通りと負荷の状態4通り、各条件10回の試行で評価した。対照だけで、負荷を分散させる基準と比べて0.8〜81.4％のエネルギーが減り、その幅は負荷が上がるほど急に小さくなった。24の比較のうち、探索はエネルギーを増やしたのが11、変わらなかったのが7、減らしたのが6だった。Holm法で補正しても、増加10と減少5は統計的に有意だった。減少6のうち5は、終わっていないタスクがある条件と重なり、こなした計算量で割ると消えた。残ったのは、軽い不均一な負荷でのACOの3.22ポイント（95％信頼区間2.96〜3.47）だけだった。 💡 注目しておきたい理由: 「新しい手法で何％省エネ」という主張の多くは、最初の配置も移動の探索も違う基準と比べていた。差を手法のおかげと言うには、変えた部分だけが違う対照と比べる必要がある。また、仕事をやり終えたかで割らないと、こなさなかった分が省エネに見える。結果は既存の実装を再現したシミュレーションでの話だ。 🔗 情報源: arXiv 🕰️ 公開日時: 2026-10-25 🗂️ 分類: データセンター省エネ・対照をそろえる 2. 故障診断の自己教師あり事前学習、分類は大きく伸びたが寿命予測は伸びず、事前学習の損失は選び方の物差しにならない # Sanz-Durán氏とSolís-Martín氏は、設備の故障診断と寿命予測（PHM）で、自己教師ありの事前学習がどれだけ役に立つかを、学習データと評価データが混ざらない条件で測った。公開されている47のPHMデータセットを同じ形式にそろえ、そのうち11は事前学習から丸ごと外した。約80万パラメータの小さなTransformerを、隠した区間を当てる課題で事前学習すると、故障の分類のmacro-F1はCWRUで0.350から0.812に、HSG18で0.569から0.951に上がった。一方、CMAPSSの残り寿命（RUL）の予測では、どの事前学習済みモデルもゼロから学習したモデルを安定して上回らなかった。集中学習と、物理の分野ごとに分けた10の参加者による連合学習の模擬も比べ、同じ予算では集中学習が4つの比較すべてで15.5〜20.2ポイント上回った。ただし著者らは、この比較は学習率の調整が集中学習に有利で、各方式1回ずつの事前学習にもとづくと書いている。さらに、事前学習の損失は選び方の物差しにならなかった。ある設定を振ると、事前学習の損失は0.021しか変わらないのに、下流の検証macro-F1は最大0.29動いた。同じモデルでも、学習率が一桁違うだけでCWRUのmacro-F1は0.169にも0.829にもなった。