工学AIの合格は、いちばん厳しい物差しで決める
·253 文字·2 分
今日のご案内 ☕✨ # 前回は、成績の「分母」と「合格線からの距離」を見た。今回は、その合格を「どの物差しで」決めたかを見る。乱流の直接数値計算（DNS）のデータを圧縮する研究では、強く圧縮しても一点統計はすべて数％以内に収まったのに、壁近くの散逸とスケール間のエネルギー輸送は一桁以上大きく崩れた。甘い物差しなら合格、厳しい物差しなら不合格になる。著者らは厳しい側の2つで、許せる圧縮の度合いを決めている。量産車の車線維持支援を実走行で調べた研究も同じ形で、画面に「検出中」と出ていても、車線をきちんと認識できているとは限らなかった。
前回から変わった点も先に書く。10月23日号では、過渡安定度の推定で「答えを返せた割合」が配備を縛る話を紹介した。今回のLuminaryの事例は逆の側から、学習した範囲の外の形状には予測を出さずCFDへ回す作りを示した。ただし、範囲の外になった形状の割合は書かれていない。10月21日号で取り上げたSoftServeは、今度はセンサー大手のSICKと設計データを仮想検証につなぐ取り組みを発表した。今回の発表文は「第一歩」と書いており、数字は無い。
1. 乱流DNSデータの圧縮、一点統計は数％以内でも、散逸とエネルギー輸送は一桁以上悪化 # Lopes氏、Lengani氏、Henningson氏は、大規模な乱流データベースをGPUで低ランク圧縮する、公開の分散型の枠組みを報告した。対象は、制御拡散型の圧縮機翼列のDNS 2本で、流入が層流の場合と乱流の場合だ。圧縮した結果は、瞬時場の再構成、二次の統計量、乱流運動エネルギー（TKE）のモード別収支、その非線形なスケール間輸送と、だんだん厳しくなる順の診断で評価した。収支の項は、場ごとの誤差や一点の誤差よりはるかに圧縮に敏感だった。強い圧縮では一点統計はすべて数％以内に保たれたが、壁近くの散逸とスケール間輸送はそれより一桁大きく崩れ、この2つが許容できる圧縮の度合いを決めた。どちらの流入でも、収支の線形項の誤差は捨てたエネルギーの0.8乗に比例し、三つ組の相互作用による輸送は1乗を超える乗数で増えた。
💡 注目しておきたい理由: 「統計量が数％以内に合っている」だけで圧縮や代理モデルを合格にすると、散逸のような厳しい量を見落とす。評価する物差しを甘い順から並べて示し、いちばん厳しいもので合否を決める書き方は、ほかの代理モデルの評価にも使える。結果は2つの翼列DNSでの話だ。
🔗 情報源: arXiv 🕰️ 公開日時: 2026-10-23 🗂️ 分類: 乱流DNS・圧縮の合格基準 2. 従来ソルバー、機械学習、その組み合わせのどれを選ぶか、代理モデルの元が取れるのは誤差1％未満なら3万回超の問い合わせから # Huang氏らは、偏微分方程式（PDE）を解く方法を、従来の数値ソルバー、機械学習、両者の組み合わせの3つに分け、データの有無、問い合わせの回数、認証の必要性で選ぶための枠組みとしてまとめた。ソルバーで作ったデータで学習した代理モデルの「償却」の関係をパラメータ付きのDarcy流で試すと、誤差1％未満を求める場合、元が取れるのは問い合わせが3万回を超えてからだった。証拠の強さを段階に分けた整理、既存ベンチマークの再分析、3つの事例研究から、速度向上と汎化の主張がもっとも証拠が弱いと結論している。