製造AI・検証環境

今日のご案内 ☕✨ # 前回は、実演の成功率と量産工程の受入基準の差に焦点を当てた。今回はその一歩手前、すでに手元にある設計・解析データをAIの資産として再利用する動きが中心になる。ターボ機械の事前学習済みモデル、既存のソルバー結果から学ぶ代理モデル、自然言語でCAEを操作する国産ソフトは、いずれも「新しいデータを大量に作らずに始められる」ことを価値として掲げている。 一方、流体の研究2本は、その再利用に条件があることを示す。粗視化したデータでは成り立たない物理方程式を損失に入れると、モデルが意図しない近似を抱え込む。速度場の誤差が小さいモデルが、乱れのエネルギーではむしろ悪いこともある。一つのスコアの改善を物理の改善と読み替えないことが、既存データ活用の前提になる。 ロボットの仮想環境づくり、物理エンジン、渦流探傷の自動化、工場の実証拠点は、仮想と実機をどこで照合するかという問いでつながる。企業調査では、AIエージェントの利用が広がる一方で、各手順を人が承認する運用が多数を占めた。再利用できる資産、提供側の自己申告、独立に確かめるべき範囲を分け、次の小さな検証へつなげたい。 1. SoftInWay、ターボ機械の事前学習済みモデルで「白紙からの設計」を短縮 # SoftInWayは10月12日、AxSTREAM AIを通じて提供するターボ機械向けの事前学習済み基盤モデルを発表した。流路形状、性能マップ、運転限界、要求された回転数範囲での挙動を結び付け、利用者が運転条件と設計パラメータを入力すると、初期形状と期待性能を予測する。結果はAxSTREAM Flow Pathへ渡して詳細化・検証する流れで、自社の設計資料による追加学習や、顧客管理下のインフラ・クラウドへの展開にも対応するとしている。開発はNASAが支援した研究とRaytheon Technologiesとの協業から始まり、Purdue大学Zucrow研究所の圧縮機実験データで実機性能を再現できることを示したという。同社の検証例では、単段遠心圧縮機について34,305件の設計と420万点の性能点で学習し、51個の流路パラメータ、圧力比と効率のマップ、サージ・チョーク限界を生成した。テストデータ全体で形状・性能の予測が参照結果に対して3％の誤差範囲に収まったと報告している。 💡 注目しておきたい理由: 新しい機種や市場に入る際、過去設計の蓄積が少ないこと自体が障壁になる。事前学習済みモデルはその初期探索を短縮する手段として具体的で、性能マップや運転限界まで一度に出す点は、単一指標を予測する代理モデルとの違いになる。ただし数値は提供企業による一例の報告で、独立した検証ではない。「参照結果」が解析か試験か、3％がどの指標・どの統計で測られたかは発表文からは確認できない。初期モデルは一部の用途に限られるとされ、軸流や多段機に同じ精度が出るとは限らない。導入を検討するなら、自社の既知設計を入力して既存の性能データと照合し、外れる条件を先に特定するのが現実的だ。初期形状の提案と、強度・振動・製造性を含めた設計の成立は別に確かめる必要がある。 🔗 情報源: SoftInWay 🕰️ 公開日時: 2026-10-12 🗂️ 分類: AIによる設計・ターボ機械 2. Simcenter PhysicsAI、既存の構造・流体解析結果をそのまま学習データに # Siemensは10月8日のブログで、Simcenter PhysicsAIがOptistruct、Radioss、Nastran、STAR-CCM+、LS-DYNAなどの既存結果を読み込み、幾何深層学習で新しい形状の三次元場を数秒で予測すると説明した。設計変数をあらかじめパラメータ化する従来の代理モデルと異なり、メッシュから学ぶため位相の異なる形状も扱えるという。構成は既定のGCNS、過渡結果に強いとされるTNS、スカラーと曲線のみを出す最速のSERの3種類で、学習データの80％を訓練に使い、13件を超えるデータでは検証用を分けることを推奨している。各予測には学習データとの形状の近さを0〜1で示す類似度が付き、Inspire Formでの一例ではソルバー結果との差が1％未満だったとしている。