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。
💡 注目しておきたい理由: 既存の解析資産を再計算なしで代理モデルへ回せる点は、導入の初期費用を下げる具体策になる。一方、1％未満は提供企業が示した単一事例で、検証条件の詳細や他形状での成績は示されていない。類似度0.9を「行動できるスクリーニング結果」とする記述も同社の判断基準で、自社の品質基準とは別に決める必要がある。同社自身が述べるとおり、精度はデータの整理に左右されるため、外れ値や不整合な部品を除いた版と除かない版を比べ、どの程度の差が出るかを確かめたい。最終判断は従来ソルバーで行う前提を崩さないことが重要だ。
- 🔗 情報源: Siemens
- 🕰️ 公開日時: 2026-10-08
- 🗂️ 分類: CAE・代理モデル
3. ADVENTURECluster2026、自然言語で解析設定から結果確認までを代行#
アライドエンジニアリング（SCSKグループ）は、大規模構造解析ソフトADVENTURECluster2026を10月1日にリリースすると9月24日に発表した。新製品AI Expertは、自然言語の指示でメッシュ生成、材料・境界条件・接触条件の設定、解析実行、結果確認を進めるもので、設計者が「最大応力はどこか」と尋ねて結果を確かめる使い方を想定している。製品ページによれば、ADVENTUREClusterを操作するMCPサーバー、同社のチャットアプリ、利用者が選ぶLLM（Amazon Bedrock、Azure OpenAI、社内のローカルLLMなど）の3要素で動く。Web版のAIチャットでは使えず、2026年9月18日時点でMicrosoft Copilotは対象外とされる。対応は静解析、動解析（陽的を除く）、固有値・振動解析、熱伝導、疲労、形状・位相最適化で、振動解析の一部手法は未対応だ。同時に、位相最適化の計算時間をモデルによって従来の15％程度まで短縮したほか、固有振動数を評価関数や制約にできるようにしたという。
💡 注目しておきたい理由: 解析専任者の操作知識をMCP経由でLLMに渡す構成は、他のCAEツールにも広がりうる設計の型として参考になる。社内LLMを選べ、LLMへの接続以外に外部通信が発生しないとする点は、機密形状を扱う現場では導入判断の材料になる。ただし自然言語の指示が意図どおりの境界条件や接触設定に変換されたかは、利用者が確かめる必要がある。流用解析を自動化するなら、AIが作った設定と専任者の設定を同じモデルで突き合わせ、差の出る箇所を記録する運用から始めたい。性能改善の数値は提供企業による説明で、独立した評価ではない。
- 🔗 情報源: アライドエンジニアリング（@Press）
- 🕰️ 公開日時: 2026-09-24
- 🗂️ 分類: CAE・AIエージェント
📚 追加で確認した資料:
4. 粗視化データで成り立つのは線形の制約だけ：CSIROが物理制約付き演算子を検証#
CSIROのMichael Groom氏とRafael Oliveira氏は10月6日、粗視化した確率的強制乱流でニューラル演算子に課す物理制約を検証したプレプリントを公開した。粗い格子では非線形項がフィルターと可換でないため、元のNavier–Stokes方程式の残差を損失に入れると、意図しない閉じ方をモデルに埋め込むことになると論じる。周期領域では連続の式と全体の運動量収支は線形でフィルター後も成立するとして、これをFourierニューラル演算子の出力に閉形式の射影で厳密に課した。二次元等方乱流では、連続の式の最大誤差が通常のFNOの0.51、物理損失付きFNOの0.17に対し5.0×10⁻⁷となり、448ステップ後もエネルギーが有界な割合は0.18から0.87に上がった。追加の学習時間は2〜4％程度で、解像度の足りたKolmogorov流では、テスト時に残差を最適化する手法が射影の約3,300倍の計算量を要しながら、発散の最大値は3桁大きいままだったという。
💡 注目しておきたい理由: 「物理を損失に入れれば物理的になる」という前提に、データの解像度という条件を付けた点が実務的だ。LESや粗い計測データで代理モデルを学習させる場合、どの方程式がその格子で閉じているかを先に確認する必要がある。ただし検証は二次元・周期境界の2種類の流れと一つの構造に限られ、壁のある流れや非一様格子への適用は今後の課題とされている。精度の改善は短い予測時間では小さく、長時間では差が消えることも示されているため、制約の厳密化を予測精度の向上と同一視しないことが重要だ。
- 🔗 情報源: arXiv（CSIRO）
- 🕰️ 公開日時: 2026-10-06
- 🗂️ 分類: CFD・ニューラル演算子
5. 速度場の誤差が小さくても乱れのエネルギーは悪化：翼まわりのSim2Real診断#
上海交通大学のSomyajit Chakraborty氏とXizhong Chen氏は9月30日、NACA4418翼まわりのPIV実測とCFDの対データで、代理モデルの評価指標の食い違いを調べた論文を公開した。NeurIPS 2026のXAI4Scienceワークショップの小論文で、本会議論文ではない。4種類のニューラル演算子を比べた結果、CNOは基準モデルより速度場の相対誤差が小さい（差−0.019）一方、二成分の変動エネルギーの誤差は大きく（差＋0.12）、23本の軌道のうち18本で順位が逆転した。出力の変動を意図的に弱める処理では、ベンチマーク上の変動エネルギー誤差がわずかに下がる一方、領域全体のエネルギー比は0.815から0.756へ悪化したという。
💡 注目しておきたい理由: 実測と照合する段階でも、一つの集約スコアだけではモデルの物理的な良し悪しを判断できないことを、具体的な数値で示している。自社で代理モデルを選ぶ際は、平均誤差に加えて、変動エネルギー、時間平均分布、エネルギーの大きい領域の誤差など、用途に効く量を別々に報告させたい。結果は一つの翼形状と23本の軌道に限られ、著者自身が因果的な物理の正しさを示したものではないと明記している点も読み落とさないようにしたい。
- 🔗 情報源: arXiv（上海交通大学）
- 🕰️ 公開日時: 2026-09-30
- 🗂️ 分類: CFD・実験検証
6. Gemini 4 Argon、ロボット映像や手描きスケッチから物理シミュレーションを構築#
Googleは10月13日の開発者向けブログで、Gemini 4 Argonのロボティクス用途を紹介した。ロボットのカメラ映像、人の一人称視点の動画、手描きのスケッチからMuJoCoの仮想環境を作り、見た目と接触力の両方を実データに合わせて調整する例を示している。机上作業の例では、1枚の写真から仮想環境と77種類の作業を定義し、4,500件超の乱数化した学習データを生成した結果、実機の成功率が56％から75％に、完了時間が35秒から24秒に改善したという。空間推論のベンチマークERQAでは87％で、他の最先端モデルを上回ったとしている。利用はGemini APIの有料枠、Google AI Studio（AI Ultra契約者）、Google Antigravityが案内されている。
💡 注目しておきたい理由: 実機データから仮想環境を作り直し、その環境で生成したデータで実機性能を上げるという一連の流れを一つのモデルで回している点が新しい。ただし改善幅はGoogleの社内実験の報告で、試行回数やばらつきは記事中で示されておらず、独立した再現でもない。提示されたプロンプトには「シミュレーション上の不正」を禁じる条件が細かく書かれており、逆に言えば、条件を書かなければ見かけだけ合わせる余地があることを示している。製造現場の物体や治具で試すなら、仮想環境の接触力と実測の一致度を記録し、その上で学習データを使うかを判断したい。
- 🔗 情報源: Google Developers Blog
- 🕰️ 公開日時: 2026-10-13
- 🗂️ 分類: ロボティクス・Real2Sim
7. ProtoTwin Anvil、産業デジタルツイン向け物理エンジンの精度と速度を比較#
ProtoTwinは10月13日、ロボットと産業デジタルツイン向けの物理ソルバーAnvilを発表した。ゲーム由来の反復型ソルバーが苦手とする質量比の大きい接触、硬いばね、長い関節の連鎖、薄い部品を、実時間性能を保ったまま扱えるとしている。同社のベンチマーク（10ミリ秒の時間刻み、Intel i9 13900KSとRTX 3090、8スレッド）では、パレットをコンベヤで運ぶ場面の平均ステップ時間がAnvil 0.95ミリ秒、PhysX（PGS）3.19ミリ秒、MuJoCo 5.23ミリ秒、商用の疎行列直接ソルバー13.61ミリ秒だった。剛体1万個のトート搬送ではAnvilのみが平均で10ミリ秒の枠に収まったという。一方、傾斜面の摩擦試験ではPhysXの方が解析解に近く、1,000個の箱を並べた場面ではPhysXが速かったと同社自身が記している。
💡 注目しておきたい理由: デジタルツインで制御ロジックを試す際、物理エンジンの不安定さを回避するために質量や形状を変える慣行は、試験対象そのものを変えてしまう。その問題を数値で比較した点は評価の観点として役に立つ。ただし試験項目と設定は提供企業が選んだもので、比較相手の商用直接ソルバーの製品名は示されていない。自社設備のモデルで同じ現象が再現されるか、物理エンジンを差し替えたときに制御試験の合否が変わるかを確かめることが、導入判断の出発点になる。
- 🔗 情報源: ProtoTwin
- 🕰️ 公開日時: 2026-10-13
- 🗂️ 分類: デジタルツイン・物理エンジン
8. Eddyfi Ignite、タービンディスクやブレードの渦流探傷を自動化ラインへ#
Eddyfi Technologiesは10月12日、デジタル渦流探傷アレイ（ECA）プラットフォームIgniteの商用リリースを発表した。重さ約2.9 kgで、8つのプローブ入力、64・128・256チャンネルの構成、最大128素子のアレイプローブ、5 Hz〜7 MHzの周波数範囲に対応する。無人運転用のMagnifi ControlはPLCと連携して取得・校正・信号処理・警報を実時間で行い、結果をオープン形式で品質・生産システムへ出力できるという。対象にはタービンディスク、ブレード、回転部品、各種溶接部が挙げられている。同日のASNT年次大会で披露し、最初の出荷は2026年12月の予定だ。
💡 注目しておきたい理由: 検査結果を開いた形式で取り出せることは、将来の欠陥判定モデルの学習や工程データとの突き合わせの前提になる。ただし今回の発表はハードウェアと取得ソフトの機能説明で、AIによる自動判定の精度や検出確率は示されていない。航空エンジン部品に使うなら、既存の探傷手順との同等性を示す校正・検証の手間と、自動化で減る段取り時間を分けて見積もりたい。出荷前の製品のため、実運用での安定性も今後の確認事項になる。
- 🔗 情報源: Eddyfi Technologies
- 🕰️ 公開日時: 2026-10-12
- 🗂️ 分類: 非破壊検査・自動化
9. L&T Technology Services、エージェントの指示を機械に届く前に検証する工場実証拠点#
L&T Technology Services（LTTS）は10月12日、インドのベンガルールにAIを前提とした製造の実証拠点「EI Lab」を開設した。製造指揮センターと知識グラフによるデータ基盤、ロボットや無人機とデジタルツインが協調する工場層、エージェント群が生成した操作を機械へ届く前に確認する「検証ゲート」、100を超える同社ソリューションを束ねる基盤EIOneの4本柱で構成する。工場層にはNVIDIAのOmniverse、Isaac Sim、PhysX、Cosmos、NeMo、OpenUSDベースのデジタルツインを組み合わせたという。
💡 注目しておきたい理由: エージェントの出力を設備制御の手前で止めて確かめる層を、構成要素として明示した点が注目に値する。ただし今回は顧客向けの展示・実証環境の開設で、検証ゲートが何を基準に何件の操作を止めたかといった実績値は示されていない。自社で同様の仕組みを考えるなら、許可する操作の範囲、検証で使う模擬環境、止めた操作の記録と見直しの手順を先に決めたい。
- 🔗 情報源: L&T Technology Services
- 🕰️ 公開日時: 2026-10-12
- 🗂️ 分類: 製造AI・検証環境
10. Promise Robotics、住宅部材のロボット生産を「工場のサービス化」で米大手へ#
Promise Roboticsは10月13日、米国最大の住宅建設会社D.R. Hortonと複数年の商業契約を結んだと発表した。D.R. Hortonは同社のFactory-as-a-Serviceを使い、1,250戸超の住宅の生産を支える。既存の住宅設計をAIで読み取り、生産計画とロボットへの指示を生成し、工場の生産と現場での設置までをつなぐ仕組みで、建設会社は自前の工場を持たずに自動化した生産能力を利用できるという。米国ではアリゾナ州フェニックスに新工場を設け、2027年初めの稼働を見込む。
💡 注目しておきたい理由: 設計データの解釈から生産指示までをつなぐ取り組みが、実演ではなく大手との商業契約という形になった点が変化だ。契約金額や、工期・品質の改善を示す数値は発表に含まれていないため、効果は今後の報告で確かめる必要がある。設計の多様さに自動化がどこまで追随できるか、例外的な設計を人がどの程度直すかは、製造業の多品種生産にも共通する論点として追いたい。
- 🔗 情報源: Promise Robotics
- 🕰️ 公開日時: 2026-10-13
- 🗂️ 分類: 建設製造・フィジカルAI
11. Wharton・GBK調査、エージェント利用は67％でも完全自律は17％#
ペンシルベニア大学ウォートン校のHuman-AI ResearchとGBK Collectiveは10月13日、4回目となる企業のAI導入調査を公表した。2026年7月9〜29日に、従業員1,000人以上・売上5,000万ドル超の米国企業に勤める管理職以上1,007人と、今回初めて加えた一般・中堅社員409人に15分間のオンライン調査を行った。管理職以上では62％がAIを毎日使い、80％が投資にプラスのリターンを、28％が強いプラスのリターンを報告した。リターンを成長指標で測る部門では35％が強いプラスと答えたのに対し、効率だけで測る部門では13％だった。最も多い測り方は削減時間（40％）で、純増売上は主要指標の中で最も少ない27％だった。部門の67％が何らかの形でAIエージェントを使う一方、各手順を人が承認せずに作業を完了させるのは17％にとどまり、AIが作業して人が承認する運用が48％で最多だった。強いプラスのリターンは、IT部門の41％に対し製品・エンジニアリング部門では19％と低く、より高いリターンを阻む要因として最も多く挙がったのはツール・計算・ライセンスの費用（34％）だった。
💡 注目しておきたい理由: 削減時間で測る習慣と、成長指標で測る部門の高いリターンの差は、AI導入の評価指標を設計する際の材料になる。ただし数値は回答者の自己申告で、成長指標を使うことがリターンを生んだという因果関係を示すものではない。リターンの高い組織ほど測定に熱心である可能性も残る。前年比較は管理職以上の母集団で行われ、今回加わった一般社員の回答とは分けて読む必要がある。公開資料で誤差幅や回答率は確認できていない。製品・エンジニアリング部門のリターンが低い点は、工学分野での測定の難しさを示唆するが、部門の定義や業種構成の影響も考えられる。実務では、エージェントに任せる作業の範囲、承認の手順、削減時間と売上・品質への効果を別々に記録し、承認の多い「監督付きの中間」から一段進める条件を自社で定義したい。
- 🔗 情報源: Knowledge at Wharton
- 🕰️ 公開日時: 2026-10-13
- 🗂️ 分類: AI導入・ROI調査
📚 追加で確認した資料:
12. Liquid AIのd1、文章を生成せず一回の計算で判断を返す小型公開モデル#
Liquid AIは10月7日、判断専用の公開モデルd1-3Bと試験版のd1-omni-600Mを公開した。トークンを生成せず一回の順伝播で答える設計で、d1-3Bは文章と画像、d1-omni-600Mは文章と画像または音声を入力にとる。同社の評価では、d1-3BはDecision Index 0.2.1で48.57点と、Decider 35B-A3Bの47.11点を上回り、7つの公開データセットの平均は82.9だった。1問への応答はJetson AGX Thorで16ミリ秒、Jetson AGX Orinで26ミリ秒、Jetson Orin Nanoで50ミリ秒とされる。画像・音声のベンチマークは公表しておらず、d1-omni-600Mの速度も示していない。
💡 注目しておきたい理由: 検査画像の合否、問い合わせの振り分け、警報の緊急度など、選択肢から答えを選ぶ用途を現場の端末で高速に処理する選択肢になる。ただし数値は提供側の評価で、比較対象も同社が選んだものだ。画像入力の精度は公表されていないため、外観検査などに使うなら自社データで確かめる必要がある。利用には独自コードの実行許可が要るため、社内での導入時はコードの確認とライセンス条件の確認を別に行いたい。
- 🔗 情報源: Liquid AI
- 🕰️ 公開日時: 2026-10-07
- 🗂️ 分類: 公開モデル・エッジ推論
今日の紛れ枠#
学習データにない組織を生成し、強度と延性を両立させる材料設計#
西北工業大学の研究者らは9月30日公開のNature Communicationsで、界面と結晶方位の情報を代理モデルの損失関数に組み込んだ微細組織の生成・最適化手法を報告した。小規模でも多様な合金データから、強度と延性を両立させる組織を生成し、結晶塑性有限要素解析と実験で確かめたという。性能向上は学習データになかった二峰性の結晶粒径分布によると説明している。
追う理由: 学習範囲の外にある組織を、物理を組み込むことで現実的に生成できるかは、材料データの少ない工学分野で共通の課題だ。確認範囲は出版社の抄録で、対象合金や改善幅の詳細は全文での確認が必要になる。
- 🔗 情報源: Nature Communications
- 🕰️ 公開日時: 2026-09-30
- 🗂️ 分類: 材料・生成設計
NVIDIAとCisco、1レーン400Gb/sのプラガブル光モジュールUSFPを計画#
NVIDIAとCiscoは10月12日、1レーンあたり400Gb/sの電気信号に対応する光モジュールの新形状USFPの計画を発表した。OSFP相当の大きさに16レーンを収め、合計12.8Tb/sとし、1レーン200Gb/sのモジュールに比べて帯域密度4倍、電力効率約1.3倍になるという。TE ConnectivityとAmphenolが部品開発に加わり、業界共通の仕様を作る予定だ。
追う理由: 大規模なAI計算基盤の電力のうち、通信が占める割合を下げる取り組みとして、HPCや解析用クラスターの設計にも影響しうる。現時点では計画段階の発表で、数値は提供企業の設計値であり、出荷時期は示されていない。
- 🔗 情報源: NVIDIA
- 🕰️ 公開日時: 2026-10-12
- 🗂️ 分類: AIインフラ・光接続
本記事は公開情報をもとに編集されています。重要な判断にはリンク先の一次情報をご確認ください。