今日のご案内 ☕✨ # 今日の中心は、AIが「設計や保守を説明する補助役」から、既存の工学フローの中で実行し、結果を検証可能な形で返す層へ移っていることだ。RTXはMROでAI支援検査と予知保全を運用し、IonQとSynopsysはLS-DYNA系のCAE処理へ量子サブルーチンを差し込み、CIT-CADは自然言語の設計意図を明示的な制約木へ落として生成結果を照合する。価値の焦点はモデルの会話能力ではなく、既存ツール、設計意図、検証手順との接続にある。
航空・製造では同時に、AIを載せる「現場側」の境界も変わっている。Pratt & WhitneyとHermeusはF100-PW-229の生産ライセンスで新たな米国内生産源をつくり、三菱重工とPreferred Networksはミッションクリティカル領域のAIを資本提携まで引き上げた。Ricohも新工場を、熟練者の知見、品質判断、設備・物流データを最初からAIと結ぶ前提で設計する。
一方、科学AIとAgentでは「どこで機械を信用しないか」が実装品質を左右する。航空サロゲートはhidden test、高低忠実度最適化は高忠実度CFD、材料探索はDFTを基準点に残す。WSO2のAgent統治やIBMの人材調査も、実運用の負担がidentity、tool access、sandbox、trace、評価、そして人間のvalidationやoverrideへ移ることを示している。
1. RTX、AI支援borescopeと予知保全をMROの運用フローへ # RTXは、Pratt & Whitneyのborescope検査とCollins Aerospaceの予知保全で、AIと運航・整備データを実運用に組み込んでいる。borescopeではソフトウェアがbladeを数え、表面patternを追跡し、再確認すべき領域をflagする一方、最終判断はoperatorが担う。検査員の観察とAIの指摘を後から比較する構成にし、AIが先に結論を見せて判断を誘導しないようにしている。
今日のご案内 ☕✨ # 今日の中心は、AIを「賢い出力器」として導入するだけでは足りず、結果を検証できる実行系として組み込む設計が前面に出てきたことだ。Mistralの科学コード移行では、Fortran 77からC++へ書き換える前に数値parity harnessを作り、最終出力だけでなく中間状態まで照合した。AirbusのA350F Virtual First Flightも、simulationを単独で回すのではなく実機avionics benchへ接続し、失敗シナリオと認証試験計画へつなげている。
製造側でも、AECC Donganは3D scanだけでは拾いにくい狭所の小部品を2D visionとAIへ振り分け、Lumafieldは大型CTの内部欠陥・寸法情報をCAD比較やGD&T確認へつなぐ。Scientific AIでは、材料文献から構造化データを作るLLM pipelineや、LG AI Researchの材料設計・自律実験の方向性が、モデルを研究・品質保証の実務loopへ組み込む動きを示している。
企業Agentも同じく「動けること」だけでは不十分だ。Salesforceは日単位・週単位の長期実行、永続状態、承認境界を前面に出し、OneTrustの調査ではAgent利用を奨励する組織が87%に達する一方、明確な統制を持つのは47%にとどまった。AI予算の超過も広がっており、導入競争の焦点はモデル選定から、検証、権限、データ、運用費を含む実行アーキテクチャへ移っている。
1. Mistral、科学コード移行で「翻訳」より数値parityを先に置く # Mistral AIは、物理計算を含む約30万行のFortran 77製reservoir simulatorのうち、最初のsprintで4万行をC++へ移行した事例を公開した。重要なのは、Agentにコードを書かせる前に、legacy側の最終結果と重要な中間状態を出力し、C++側で同じcheckpointを比較できるnumerical-parity harnessを構築した点だ。さらにcaller-callee treeを解析し、100体超のAgentで文書化を進めた。
今日のご案内 ☕✨ # 今日の中心は、AIやデジタル技術を「単独の高性能モデル」として見るより、設計・試験・製造・実行環境をつなぐ閉ループとして見る方が実態に合ってきたことだ。CFMのRISE Open Fanでは、約20%の燃費改善目標と並んで粉塵吸入、侵食、耐久性が早い段階から試験対象になっている。Pratt & WhitneyのAutoAirでも、部品位置、3D計測、検査、AIを同じ製造データ基盤へ載せることで、モデル単体ではなく工程全体を改善している。
Engineering/Scientific AIでも同じ傾向が見える。LatentDDMはNeural Operatorを大規模領域へそのまま再学習するのではなく、局所operatorを再利用して軽量なcomposition層だけを適応する。SARA-Hは自律材料探索に確率的な相同定と人間の介入点を組み込み、NIMSの多孔質アンカーは材料間の相性だけでなく界面構造を設計変数として利用する。性能を出すだけでなく、物理制約や科学的状態を残す実装が前面に出ている。
Agent基盤では、実行環境と権限境界が製品機能そのものになった。OpenAIのAgents APIはharnessとsandboxを分離し、F5はMCP tool callを実行前に検査する仕組みを打ち出した。企業AIの効果測定でも、Gustoの縦断研究が示すように、導入率だけでなく導入後の業務・雇用変化を追い、相関と因果を分けて評価する必要がある。実装競争の焦点は、モデル性能から「どこで実行し、どう検証し、何をフィードバックするか」へ広がっている。
1. CFM RISE、燃費だけでなく粉塵・侵食・耐久性を設計変数へ # CFM InternationalはRISE Open Fanで、従来型ターボファンに対して約20%の燃費改善を目標としている。一方で公開情報は、効率だけでなくhot and harsh環境での耐久性、粉塵吸入、部品侵食を技術成熟の中心課題として扱っている。CFMによれば、RISEではすでに350件超の試験とコア部品の3,000 endurance cyclesを実施し、同社プログラムとして早期のdust-ingestion testも進めている。
今日のご案内 ☕✨ # 今回の中心は、AI時代の競争力が「より大きなモデルを持つこと」だけでは説明できなくなっている点だ。GE Aerospaceは航空エンジンの重要部材である複雑鋳造品の供給能力を買収で垂直統合し、設計と製造のfeedback loopそのものを戦略資産として扱う。一方、Engineering AIではMENOやTPMS multiscale optimizationのように、学習モデルへ全てを委ねず、既知の数値構造や明示的な最適化問題の中へAIを埋め込む構成が目立つ。
製造・品質でも同じ傾向がある。Lumafieldは産業X線CTのfoundation modelで「正常品からの逸脱」を検出し、結果をquality engineerへevidence付きでescalateする。AtosとFlender ChinaのEngineering R&D Agentも、製造知識、RAG、multimodal inputを組み合わせつつ、効果指標はdeployment側の自己申告として切り分ける必要がある。自動化の価値が高くなるほど、ground truth、レビュー可能性、適用範囲の設計が重要になる。
Agent基盤では、HPE Zertoのon-prem runtime＋local MCP、AWSのCI/CD evaluation gate、Meta MuseのSecure VM＋独立approval layerが、異なる用途から同じ方向へ収束している。企業調査でも、Agent導入率やAI支出の伸びに対してgovernanceや自律workflowの成熟は遅い。モデル能力よりも、tool access、権限、評価、運用費、physical capacityを含む「モデル外側のシステム」を設計できるかが実装力を分け始めている。
1. GE Aerospace、CPPを117.5億ドルで買収し航空鋳造能力を上流から統合 # GE Aerospaceは9月8日、Consolidated Precision Products（CPP）を117.5億ドルで買収する契約を締結した。CPPは約6,600人を20超の拠点に抱え、investment castingとprecision sand castingを中心に、superalloy、titanium、aluminumなどの複雑航空部品を製造する。GEはcommercial engine、aftermarket、defenseで同時に強い需要が続く中、mission-criticalなcasting capacityそのものを確保する狙いを明示している。
今日のご案内 ☕✨ # 今回の中心は、AIの価値が「良い答えを返すモデル」から「専門ツールを、決められた権限と検証手順の中で実行できる仕組み」へ移っていることだ。Autodesk Fusionでは、Drawing APIに加えてMetal Powder Bed Fusionのprocess simulationをAPIから実行・結果表示できる範囲が広がった。Coderはクラウド側のcoding agentと企業内の実行環境を分離し、CrowdStrikeやIBMはagent identity、短寿命権限、runtime control、trace、custom evaluationを製品レイヤーとして扱い始めている。
モデル性能そのものも動いている。OpenAIはGPT-6 Astraの提供を開始し、同社のPreparedness FrameworkでCritical cybersecurity-capability thresholdに達したモデルをChatGPTやAPI、Azure、AWS Bedrockへ展開する。モデルが強くなるほど「導入するか」だけではなく、どの環境で実行させ、何を許可し、いつ停止できるかがmodel upgrade governanceの一部になる。
Scientific AIでは、汎用coding benchmarkだけで実務適性を判断しにくいことも明確になっている。SWE-bench Scienceは科学ソフトウェアのrepository-level taskを20分野に広げ、最良の評価agentでもpass@1が50%未満と報告した。科学計算では、codeが動くことと、数値・物理上の前提やintegrationを壊さないことが別問題であり、engineering agentにはdomain-specificな検証系が必要になる。
基盤側では、NVIDIAがHugging Face買収で合意し、EuroHPCは3億8,780万ユーロ規模のLUMI-AIを2027年投入へ進める。モデル、配布hub、accelerator、hosted inference、public/sovereign computeの境界が再編されるなか、AI戦略はmodel selectionだけでなく、artifact portability、execution perimeter、compute procurementまで含む設計問題になっている。
今日のご案内 ☕✨ # 今回の中心は、Engineering AIが「その場で回答を生成する」段階から、設計知を再利用可能なtoolとして残し、既存のCAD・CAE・業務システムから実行できる段階へ移っていることだ。PTCのOnshape FeatureScript MCP Serverは自然言語の要求からFeatureScriptを構築・テスト・デバッグし、完成したcustom CAD featureをチームで再利用できる。Syneraも、専門家が作った既存engineering workflowをMCP経由で外部Agentから呼び出す構成を打ち出している。モデルを替えてもdomain logicを保持できる「tool化」が、単純なchat integrationより重要になりつつある。
Physics AIでは、全面的なsolver置換よりも、事前学習や生成モデルを既存の数値解析へ組み込む流れが目立つ。PhysicsXのPX-Car-Aero-v1は3万件超のRANS計算で物理表現を事前学習し、同社評価では新しい設計族やsolver設定へ適応する際のsimulation data量を大幅に減らせるとする。一方、生成最適化では見た目の良い3D形状だけでは不十分で、manifoldness、薄肉・sharp feature、mesh、production solver受入性まで通過できる表現が必要だという現実的な課題も前面に出ている。
航空エンジン領域では、AIがconcept designだけでなく、inspection、maintenance、digital engineering、rapid prototyping、manufacturing、test facilityへ広がっている。GE AerospaceはBengaluruでAI-enabled blade inspectionとengine health monitoringを進め、HyCATでは統合・qualification・subsystem testまでを含む高頻度開発を進める。Rolls-RoyceもIndianaで10年・10億ドル規模の製造・engine test設備更新を完了した。設計iterationをAIで速めても、製造・試験・認証のphysical throughputが追いつかなければprogram全体は速くならない。
今日のご案内 ☕✨ # 今回の中心は、Engineering AIが「正しそうな回答やコードを出す」段階から、専門ツールを実行し、その結果を次の判断へ戻す閉ループへ移っていることだ。RA-CADは生成したparametric CAD codeを実際に実行し、結果を観察してcritiqueとrewriteへ戻す。Architect LabsのRedwoodは、仕様からRTL、verification、firmware、kernelまでを一つの自動化loopとして扱い、COMSOLでは既存Java APIを介してmodel作成、study実行、可視化までをAgentが進める例が示されている。
Scientific AIでも同じ方向が見える。STCOは将来時刻のmotion、inflow、forcingをNeural Operatorへ明示的に与え、ferroelectric材料のPINN研究はMD dataとphase-field PDEを結び、同定したparameterをFEMへ戻してcross-verificationしている。学習モデルだけを最終回答器にするのではなく、既存のPDE/FEMや物理constraintと組み合わせ、検証可能な計算chainを残す構成が強い。
一方、企業側では導入量と組織全体のscaleの間にまだ大きな差がある。Gartner調査ではAI支出の増額意向が強い一方、複数business unitへscaleできた組織は22%にとどまる。Microsoftのdigital-trace研究も、AI利用後にproductivity系activityが増える一方、communicationとのバランスが変わることを示しており、「使った回数」だけでなくworkflowと組織行動を測る必要がある。
モデル・基盤側でも評価軸はbenchmark scoreだけでは足りない。Gemini 3.8 Flashはagentic workloadを意識した価格とtool-use性能を前面に出し、DeepSeekは305Bのmultimodal open weightsをself-host可能な形で公開した。NTTPCはphysical AI向けGPU環境を国内cloudとして提供している。AIを実工程へ入れるほど、実行コスト、tool権限、resource policy、human approvalまで含めたsystem設計が性能そのものになる。
1. RA-CAD、CAD生成を「一発生成」から実行結果を読むloopへ # RA-CADは、自然言語からparametric CAD codeを作る処理をGenerate–Execute–Critique–Rewriteの反復loopとして構成する。各iterationで現在のcodeを実行し、その結果を観察したうえで、design instruction、code、execution feedbackを条件に明示的なpost-execution critiqueを生成する。critiqueは終了判定か次のrewrite指針として使われるため、単にcodeを生成して最後に通るか確認する構成とは異なる。
今日のご案内 ☕✨ # 今回の主軸は、AIが専門家への助言役から、既存の工学ツールや実験設備を動かす「実行層」へ進み始めたことだ。SimScaleはCAD形状のクリーンアップから解析設定、計算、結果レポートまでを対象にするEngineering AIを広く開放し、Anthropicは実験・製造機器をAgentから共通仕様で操作するModel Hardware Standardを研究プレビューとして示した。Siemensも、高忠実度CAEを縮約したExecutable Digital Twinを実運用データとAgent層へ接続する構成を提示している。
同時に、Scientific AIでは「AIが物理solverを置き換える」より、検証済みの数値計算や物理制約を残したまま学習モデルを差し込む構成が目立つ。NOWSはNeural OperatorをKrylov法の初期値生成へ使い、CrysVCDは価数制約を結晶生成の内部へ組み込み、Skala 1.1は学習型交換相関汎関数をCP2Kなど既存DFTコードへ統合する。燃焼不安定性を対象にしたkFNOも、短期誤差だけでなく長期統計を評価軸に置く。
材料R&Dでは、NTTの自律成膜が条件探索だけで終わらず、人が理解・転用できる成膜ルールの抽出まで進めた点が重要だ。一方、企業導入ではMcKinsey調査が示すように個人の生産性向上と企業財務効果にはまだ距離がある。AIがtoolや実機へ触れるほど、権限、検証、interlock、human approvalをモデル能力とは独立した設計要件として扱う必要がある。
1. SimScale、CAEを「助言」から一連の実行ワークフローへ # SimScaleは8月18日、Engineering AI agentを90万人超とする同社コミュニティへ開放した。同社は、AgentがCAD形状のクリーンアップ、simulation setup、計算実行から結果レポートまでの一連のworkflowを自律的に処理すると説明している。これは解析手順を文章で教えるだけでなく、既存のCAE infrastructureを実際に操作する方向への移行を示す。
今日のご案内 ☕✨ # 今回の候補は、単発の新製品発表よりも、複雑な航空宇宙開発を支えるデジタル化の実装論点にまとまっている。MBSEはモデルを要求から検証までの共通基盤に置き、NAFEMSの資料はCAEの分断をデータ構造、デジタルスレッド、AIサロゲートで扱う方向を示す。
NASAの超高効率航空は機体・推進の統合設計を示し、AnsysGPTは解析知識へのアクセスを補助する。一方、候補には日付のない公式解説や2025年発表資料も含まれるため、導入判断では自社データの品質、モデル検証、変更管理、AI出力の監査可能性を確認したい。
1. MBSEを複雑システムの共通モデルに # Dassault Systèmesは、複雑システムのライフサイクル全体でデジタルモデルを主要な情報交換手段とするMBSEを説明している。設計を物理実装前に仮想環境で作成・解析・検証し、航空宇宙・防衛では設計、エンジニアリング、製造プロセスへの適用を示す。
💡 注目しておきたい理由: 要求、アーキテクチャ、解析、検証のトレーサビリティを一つのモデル体系で扱えるかは、変更影響の把握と認証準備の効率を左右する。導入効果はソフトウェア導入だけでは決まらず、部門間で管理する情報モデルと変更権限を先に定義できるかが実務上の焦点になる。
🔗 情報源: Dassault Systèmes 🕰️ 公開日時: 🗂️ 分類: CAD・CAE 📚 追加で確認した資料:
今日のご案内 ☕✨ # 今回確認できた重要テーマは、個別のCAD機能ではなく、設計・開発・試験・製造・運用を一つのデータ連携で扱うための企業レベルの設計思想である。Rolls-Royceの公式ページは、物理製品とデジタル能力を組み合わせる「Digital ‘O’」を、デジタルツインを段階的に展開する枠組みとして説明している。
技術系管理職にとっての読みどころは、デジタルツインを可視化の施策で終わらせず、モデルベース定義、エンタープライズモデリング、積層造形、保守訓練まで含む業務基盤として捉えている点にある。導入判断ではツールの新機能だけでなく、モデルの責任範囲、データ品質、変更管理、検証、セキュリティを製品ライフサイクル全体で定義する必要がある。
1. Rolls-Royce、設計から保守までをつなぐ「Digital ‘O’」を提示 # Rolls-Royceの公式ページは、物理的な製品とデジタル能力を統合する「Digital ‘O’」を、デジタル優先企業への移行を支える枠組みとして説明している。設計・開発・試験を実機と並行する仮想製品として扱い、生産、部品、製品、フリート、企業の各レベルでデジタルツインの価値を引き出す構想を示す。ページ上では、積層造形、エンタープライズモデリング、モデルベース定義、VR保守訓練などの例も挙げている。
💡 注目しておきたい理由: 航空宇宙の設計・製造・MROを個別最適からライフサイクル連携へ移す際の参照モデルになる。CAE、MBSE、製造・保守データをつなげるには、ツール導入だけでなく、モデルの責任範囲、データ品質、変更管理、検証、サイバーセキュリティを経営課題として設計する必要がある。
🔗 情報源: Rolls-Royce 🕰️ 公開日時: 🗂️ 分類: CAD・CAE 📚 追加で確認した資料:
今日のご案内 ☕✨ # 今号では、航空推進の短期的な信頼性向上と長期的な電動化を並行して進める動き、CAEで形状と応力集中の関係を再検討する技術記事、AIを実運用へ移す際の学習資源配分と安全評価を取り上げる。いずれも、単一の性能指標や発表だけで判断せず、適用条件と検証段階を読み分ける必要があるテーマだ。
設計面では、形状変更が疲労や製造性に及ぼす影響を荷重状態・プロセス込みで確かめることが重要になる。AI・電動化では、研究段階の数値結果や企業発表を導入効果と同一視せず、再現性、認証、運用時の安全境界を次の確認事項として置きたい。
1. 超楕円孔で応力集中を再設計 # COMSOLの技術記事は、板の超楕円孔について指数と軸比を掃引し、円孔と同じ軸比の対称形状では指数3の超楕円が応力集中係数を14%下げ得ると報告した。解析は主軸に沿う一軸荷重を前提としており、他の荷重状態では角部の曲率が応力を高める可能性も示している。
💡 注目しておきたい理由: 開口部やフィレットの形状を、材料追加ではなく幾何設計で最適化する候補を示す。積層造形・鋳造のように円孔以外を作りやすい工程では有用だが、疲労寿命への反映には多軸荷重、製造ばらつき、メッシュ収束を含む個別検証が必要になる。
🔗 情報源: COMSOL 🕰️ 公開日時: 2026-07-28T00:00:00+00:00 🗂️ 分類: CAD・CAE 📚 追加で確認した資料:
今日のご案内 ☕✨ # 今週の候補からは、AIを単独の設計機能としてではなく、CAD/CAE、HPC、データ基盤、製造、運用をつなぐ層として扱う流れが明確になった。SiemensのAltair統合案内はシミュレーション、HPC、データサイエンスを同一ポートフォリオへ組み込む方向を示し、Siemens、Lockheed Martin、GE Aerospaceの公開情報は、設計支援から運用評価・品質・健全性監視までの適用範囲を示している。ただし、これらのページは主に各社の能力・製品説明であり、航空宇宙での導入効果を独立に検証する実証値ではない。
商用側ではJet2のA321neo向けLEAP-1A選定と長期整備契約が、エンジン選定を機体性能だけでなく、稼働率、整備負担、ライフサイクルコストと結び付けている。次週は、AI支援設計の実案件・検証方法、CAE/HPC統合後のデータとライセンス運用、モデル監視と人間の最終判断、エンジンの耐久性改善とMRO実績を確認すべきである。
1. 軍用航空の高度シミュレーションを運用評価へ # Lockheed Martinは公開ページで、ACESなどの高度シミュレーション基盤を紹介している。複雑なシナリオのモデル化、運用概念の試験、部隊構成の評価、航空を含む訓練・解析を、没入型の仮想環境で反復する位置付けである。公開ページは能力紹介であり、導入効果や最新の実証値までは示していない。
💡 注目しておきたい理由: CAEを機体設計の解析工程にとどめず、運用概念、訓練、部隊評価へ広げると、研究開発の早期段階で要求と運用リスクを照合しやすくなる。管理上は、モデルの妥当性、シナリオの再現性、実機データとの照合を共通基盤として設計できるかが焦点となる。
🔗 情報源: Lockheed Martin 🕰️ 公開日時: 🗂️ 分類: CAD・CAE 📚 追加で確認した資料: