今日のご案内 ☕✨#
Yang氏とWang氏は、梁の荷重と円板の回転数を、塑性崩壊や破裂の限界より決まった割合だけ上か下に置き、12の言語モデルに合計4,860回解かせた。3つのモデルは、別の問いでは限界をきちんと計算できたのに、崩壊を10〜30％超える梁を「解けた（solved）」として返した。同じ設計でも「実現できるか」だけを聞くと、拒めたモデルがある。
前回との違いを先に書く。前回は、テストを「誰が、見えないデータで」確かめたかを見た。今回は、その確かめを「どんな問い方で」したかで答えが変わる例が並んだ。言語モデルの「解けた」、学習点の選び方で場所だけ移る精度、全体では合っても深い所で外れるPINN（物理の式を損失に入れたニューラルネットワーク）だ。企業の発表は3本。うち2本は、効果の数字か比べる相手のどちらかが発表文に無い。
1. 崩壊荷重を10〜30％超える梁を、3つの言語モデルが「解けた」と返す、実現できるかだけ聞けば拒めたモデルも#
Yang氏とWang氏は、梁の荷重と円板の回転数を、塑性崩壊や破裂の限界より既知の割合だけ上か下に置いた問題を作った。各モデルの限界の計算は別の問いで測り、12のモデルを4,860回の呼び出しで試し、新しい設計での追加の実験もした。あるモデルは、実現できるかだけを聞かれると無理な設計を見抜くのに、完全な答えを求められると同じ設計を「解けた」として受け入れた。3つのモデルは、限界を別の問いで正確に計算していながら、崩壊を10〜30％超える梁を受け入れた。受け入れた答えの多くは、違反していることを本文に書いていた。実現できるかだけを聞いた場合、Opus 5とGemini 3.8 Flashは、与えられた無理な新しい設計をすべて拒み、誤って拒んだ例は無かったという。断る条件の言い方や答えの形式を変えると、元の梁では拒む割合が上がったが、新しい設計では一貫しなかった。
💡 注目しておきたい理由: ソフトがモデルの「解けた」を信じて次へ渡すと、物理的に無理な設計がそのまま流れる。著者は、実現できるかの判断と、完全な答えの中で拒めるかを別々に試し、使った問いの文面をそのまま報告すべきだとしている。言い換えの効果が新しい設計で一貫しなかったので、問いを直しても安心はできない。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-28
- 🗂️ 分類: 言語モデル・実現可能性と「解けた」は別
2. CELUS、電子設計の初期を受け持つエージェントをベータ公開、技術者が計画を承認するまで動かない#
CELUSは10月29日、Design Assistantにエージェント型の作業の流れを加え、CELUS Design Platformでベータ公開したと発表した。回路図を描く前の、構成と部品を決める段階を受け持つ。技術者が製品を説明すると、アシスタントがインターフェース、電力の予算、コスト、規格への適合を聞き、答えと手順の計画をIntent Documentに書く。技術者が計画を承認するまでは何も実行せず、途中で止めたり直したりもできる。部品を勧めるときは、根拠のデータシートや仕様を示す。最後にIntent Documentの要件と設計を比べ、満たしていない要件を知らせるという。1つの依頼は、計画と確認をする分、1回の問いより時間がかかるとも書いている。
💡 注目しておきたい理由: 人が承認するまで動かない、勧める部品には出典を付ける、要件を満たさない所は自分で知らせる、という作りだ。1番の研究が示した「解けた」の危うさに、確認の手順で応えようとしている。ただし「修正の回数が減る」「後半の問題が減る」は、どれだけ減ったかの数字も、比べた相手も発表文に無い。
- 🔗 情報源: CELUS（PR Newswire配信）
- 🕰️ 公開日時: 2026-10-29
- 🗂️ 分類: CELUS・承認してから動くエージェント
3. Cadence、米エネルギー省のGenesis Mission Consortiumに参加、AIモデルの検証やデータ標準の検討にも加わる#
Cadenceは10月29日、米エネルギー省（DOE）がAIで科学の発見を速めるために進める官民の枠組み、Genesis Mission Consortiumに加わったと発表した。DOEの国立研究所と組み、先端の半導体、量子と超伝導の装置、データセンターのエネルギー効率、AIを使う科学の作業の流れを支える。具体的には、AIモデルの開発と検証、データ標準、HPCの検討と試行への参加、試行や実演に向けたEDA、システム設計と解析、マルチフィジクスのシミュレーション、デジタルツインなどの提供、研究所のHPC環境への作業の流れの組み込み（再現できる形での配布と「AI性能」のベンチマークを含む）、人材育成を挙げている。
💡 注目しておきたい理由: 参加の発表で、まだ成果の数字は無い。注目したいのは、提供する中身に「AIモデルの検証」「再現できる配布」「ベンチマーク」が入っていることだ。どんな基準で検証するかは、発表文にはまだ書かれていない。
- 🔗 情報源: Cadence
- 🕰️ 公開日時: 2026-10-29
- 🗂️ 分類: Cadence・Genesis Missionへの参加
4. Luminary、翼の流れと構造の両方を物理AIモデルに置き換えて連成解析、比べた翼は3つで、計算機の条件もそろっていない#
Luminaryは10月26日、遷音速の後退翼が荷重でねじれて揚力が減る現象を、物理AIモデル（同社の言うLarge Physics Model）で連成させて解いた例を公開した。1段目では、CFDの代わりに流れのモデルSHIFT-Wingを使い、構造はオープンソースの有限要素ソルバーTACSのまま、荷重と変位はMELDでやりとりした。収束までの時間は、NVIDIA T4が1基で8〜11分、CFDの連成はH100が3基で平均約4時間だった。3つの翼で、予測した揚力の減り方の差は0.2〜0.8ポイントだった。2段目では、構造もTACSの解およそ1,400件で学習したSHIFT-Wingboxに置き換え、テストの3つの解で、先端のねじれは約1°のうち0.04°以内、揚力の減り方は1ポイント以内で合ったという。
💡 注目しておきたい理由: 合ったかどうかを、翼のねじれと揚力の減り方という設計で使う量で確かめている。一方で、比べた翼は1段目も2段目も3つだ。「20倍以上速い」は、T4が1基とH100が3基という別の計算機での比較で、同じ条件の比較ではない。2段目は両方の連成で流れにSHIFT-Wingを使うので、流れのモデルの誤差は比べた範囲に入っていない。
- 🔗 情報源: Luminary
- 🕰️ 公開日時: 2026-10-26
- 🗂️ 分類: Luminary・物理AI同士の連成
5. 斜面の安全率の代理モデル、学習点を安全率がならぶように選んでも精度は上がらず、良い場所が移るだけ#
Teodoru氏らは、斜面の安全率を学ぶ機械学習の代理モデルで、学習点の一部を、安全率の分布がならぶように選ぶ方法を、同じ解析の回数（予算）のもとで試した。ラテン超方格で選んだ300点で学んだランダムフォレストで20万の候補の安全率を予測し、追加の300回の極限平衡解析を、0.5〜6の範囲で安全率がならぶように割り振った。これを、さらに300点をラテン超方格で足した場合と、追加点の5通りの取り方、2つのテスト集合、2種類の木のアンサンブルで比べた。主な物差しは、判断に使う安全率0.5〜2の範囲での対数の二乗平均誤差だ。結果、精度は全体として上がらず、良い場所が1〜2から0.5〜1へ移っただけだった。ラテン超方格は0.5〜1に点の11〜12％しか置かないが、1〜2にはすでに35〜37％を置いていた。
💡 注目しておきたい理由: 「まれな領域を厚くすれば良くなる」は、どの範囲の誤差を物差しにするかで答えが変わる。著者は判断に使う範囲を先に決め、その範囲では改善を示せなかったと書いている。まれな所と、判断をする所は同じとは限らない。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-28
- 🗂️ 分類: 斜面安定の代理モデル・精度は移るだけ
6. 深さが幅の5倍のキャビティ流れのPINN、内部の速度の差は5.1〜7.9％、場所と量によって順位が入れ替わる#
Roohi氏とMcDevitt氏は、ふたの下で強く動き、深い所ではずっと弱い再循環しかない、深さと幅の比が5のキャビティで、データを使わないPINNを調べた。レイノルズ数は100、250、500、1000だ。参照には、同じふたの条件で独立に計算したスペクトル/hp法の場を使い、121×605の共通の格子で比べた。内部の相対的な速度の差は5.130〜7.850％、底の領域の相対的な差は5％未満だった。Re=1000で161×801の格子で別に評価すると、改良した手順で内部の速度の差は5.624％から2.658％に下がった。ただしこの改善は手順を積み重ねた比較で、領域ごとの点の配置だけの効果は切り分けていないと著者は書いている。
💡 注目しておきたい理由: 全体の速度が合っていても、深い所の弱い渦が合っているとは限らない。著者は、どの設定が良いかの順位は領域と見る量で変わり、回転の場の差は大きいまま残る所があると明記している。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-28
- 🗂️ 分類: 深いキャビティのPINN・場所ごとの誤差
7. 浮力で動く流れのPINN、無次元化の選び方だけで平均ヌセルト数の誤差が1.1％未満から157〜650％に変わる#
Chand氏、Peyvan氏、Luo氏は、側面を加熱した正方形のキャビティ（Pr=0.71、Ra=10³〜10⁵）で、速度の無次元化を2通りにしたPINNを同じ学習条件で比べた。自由落下の速度で無次元化すると、Ra≦10⁴で平均ヌセルト数の誤差は1.1％未満だった。熱拡散の速度で無次元化すると、浮力の係数がRa·Prになり、誤差は157〜650％で、Ra=10⁵では発散した。損失の勾配のうち浮力に関わる部分が(Ra·Pr)²で大きくなる偏りが原因で、勾配を直接測って確かめたという。少しのデータを与えても、損失の重みを自動で変えても、試した条件では直らなかった。非定常の対流では、長い時間の熱伝達は当てたが、途中でヌセルト数が行き過ぎる様子は捉えられなかった。
💡 注目しておきたい理由: 同じ問題、同じ学習条件で、式の書き方だけを変えた比較になっている。PINNの「うまくいかなかった」を読むとき、無次元化を確かめる必要があることを示す。行き過ぎを捉えられなかった点も、限界として書いている。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-28
- 🗂️ 分類: 浮力流のPINN・無次元化で決まる
8. 船体DTMB 5415の14変数の最適化、限られた予算で忠実度を選ぶ能動学習が抵抗を約9.0％下げ、最良の比較手法は6.7％#
Solak氏、Di Fiore氏、Wackers氏、Pellegrini氏、Serani氏は、計算コストと忠実度の違うモデルを組み合わせて最適化を進める能動学習MF-CASを提案した。予測の確率分布の全体ではなく、忠実度ごとに分けた不確かさの幅を出す代理モデルを使い、候補をまず低忠実度で計算するか、すぐ高忠実度へ進むかを、各忠実度の不確かさへの寄与とコストから決める。制約付きの14次元の船体DTMB 5415の流体の最適化で、わざと計算予算を絞って試し、抵抗の削減は約9.0％、最良の比較手法は6.7％だったという。
💡 注目しておきたい理由: 比べる相手を、同じ予算のもとでの他の最適化手法にそろえている。ただし予算の大きさ、高忠実度のソルバーの種類、何回試したかのばらつきは要旨に無い。1回の結果か平均かを本文で確かめたい。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-28
- 🗂️ 分類: 船体の多忠実度最適化・同じ予算で比べる
9. 電気自動車の電池パックの再設計、LLMと数値の解法を組み合わせると、実現できる設計を見つけるまでの評価が80％減る#
Song氏、Michalek氏、McComb氏は、材料の価格や要件が変わったときに前の設計を作り直す「再設計」で、LLMと数値の解法を組み合わせる方法を試した。LLMの使い方3通り（初期値を与える、変数を固定する、ReAct）と、ブラックボックスの解法4つ（ベイズ最適化、遺伝的アルゴリズム、メッシュ適応直接探索、ランダム探索）を、電気自動車の電池パックのコストを下げる事例の、4種類の要件変更で比べた。組み合わせると、実現できる設計を見つける力は数値の解法だけと同じで、シミュレーターの評価は80％少なく、最適に近い解を見つける試行の割合は3倍になったという。どの組み合わせが最も良いかは、要件の変わり方で違った。
💡 注目しておきたい理由: 比べる物差しを、シミュレーターを何回回したかにそろえている。ただし事例は電池パック1つで、「80％」と「3倍」がどの組み合わせ、どの要件変更での値かは要旨では分からない。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-29
- 🗂️ 分類: LLMと最適化の再設計・評価回数で比べる
10. プロセスプラントの設計をコードとして版管理する提案、エージェントが案を出し、道具が検査し、技術者が承認する#
Schweidtmann氏とDemeyer氏は、論説の形で「Plant-as-Code」を提案した。今のプラントの情報は文書と道具に散らばり、人の手で運ばれているので、AIエージェントを今の作業に入れても同じ分断を引き継ぐという。そこで、プラントの設計を、DEXPIやIFCなど既存の標準にできるだけ沿った機械で読めるファイルの集まりとして版管理し、DevOpsの考え方を広げた「Design-Ops」で、各項目をその元になった情報につなぎ、人の手での確認を自動の検査に置き換える。計算は決まった結果を返す道具が行い、エージェントは分野をまたいだ定型の作業をまとめる。速さを決めるのは検証で、エージェントが提案し、道具が検査し、技術者がすべての変更を確かめて承認するとしている。
💡 注目しておきたい理由: 実験の結果ではなく、方向を示す論説だ。数年を数週間に縮める「かもしれない」という書き方も、成果の主張ではない。それでも、1番と2番の話と同じく、AIの答えをそのまま使わず、検査と人の承認を挟む作りを前提にしている。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-29
- 🗂️ 分類: プラントをコードで・検査が速さを決める
11. 模様のある壁の上の液滴の平衡を、解のデータなしに自由エネルギーだけで学ぶ演算子、エネルギーは合うが接触線の位置は合わない#
Meshram氏、Chakrabarti氏、Chakraborty氏は、化学的に模様をつけた壁の上の液滴の平衡と、模様が液滴に及ぼす毛管の力を、解のデータを使わず自由エネルギーだけから学ぶDropFENOを作った。FNO、TFNO、WNOの3種類のニューラル演算子を、2次元と3次元で、体積と重心の制約を罰則にして学習させた。予測は仮想仕事の定理で確かめ、ぬれ性の段差をまたぐ液滴では接触線の法則を再現した。一方、後退する接触線の止まり方は再現の精度が低かった。残る誤差は、界面や接触線のわずかな動きのような、エネルギーがほとんど変わらない方向に集まり、そのためエネルギーは当たっても接触線の位置は当たらないという。縞の壁では、参照の解や格子ボルツマン法とは違う状態を返した。学習に使わなかった壁での予測は、1件ずつ最小化する計算の約100分の1のコストで、予測から古典的な解法で仕上げると、ほぼすべての場合で参照の状態に戻った。
💡 注目しておきたい理由: エネルギーが合うことと、形が合うことは別だと、理由とともに書いている。学習に使わなかった壁でのエネルギーの差の中央値は、arXivの要旨では数字が表示されておらず、ここでは「未確認」とする。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-27
- 🗂️ 分類: 液滴の平衡を学ぶ演算子・柔らかい方向の誤差
12. TPUを塗った織物のナイロンの材料モデルを2軸試験から自動で発見、初期値を20通り変えても予測は安定#
Lauber氏らは、TPUを塗った織物のナイロンの2軸試験のデータから、材料モデルの式とパラメータを同時に取り出した。構成則のニューラルネットワーク（CANN）は、等方の1項と異方の2項からなる、少ない項の超弾性の法則を見つけ、測った2軸の応答をR²の平均0.97で再現した。初期値を20通り変えると、選ばれる項の組は変わったが、予測の精度は安定していた。候補の項どうしの相関が強いことと合うという。別の方法のLARS-LASSOも、同じ主な項を約100分の1の計算コストで取り出した。
💡 注目しておきたい理由: 初期値を変えて何度も試し、別の方法でも同じ項が出るかを確かめている。ただしR²は測った試験そのものへの当てはまりで、使わなかった試験条件への予測かどうかは要旨では分からない。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-29
- 🗂️ 分類: 織物の材料モデル発見・初期値を変えて試す
今日の紛れ枠#
「解けた」と「できるか」を分けて聞く#
言語モデルの研究では、同じ設計でも、完全な答えを求めると「解けた」と返し、実現できるかだけを聞くと拒むことがあった。CELUSのエージェントは、承認を待ち、要件を満たさない所を自分で知らせる作りを売りにしている。プラントの論説も、計算は道具に任せ、変更は技術者が承認するとしている。
追う理由: AIが返す状態の表示を検査の代わりに使わない。実現できるかの判断は、別の問いか別の道具で確かめる。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-28
- 🗂️ 分類: 「解けた」と「できるか」を分けて聞く
精度の平均は分母で動く#
斜面の研究では、学習点の選び方を変えると、精度は上がらずに良い場所が移った。キャビティのPINNでは、全体の速度は合っても、どの設定が良いかは領域と見る量で入れ替わった。Luminaryの例は、3つの翼で確かめた結果だ。
追う理由: 誤差の数字を引用するときは、どの範囲、どの量、何件で測ったかを一緒に書く。
- 🔗 情報源: arXiv
- 🕰️ 公開日時: 2026-10-28
- 🗂️ 分類: 精度の平均は分母で動く
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。