📋 要約（TL;DR） # 🔑 マルチフィデリティNNの台頭: co-krigingから多忠実度ニューラルネットへ — 少ない高精度データと大量の低精度データを統合するパラダイムが複合材料力学に適用（Wen et al., 2026 [1]） 🔑 潜在空間でのサロゲート化: AeroJEPAは流場を直接予測せず、潜在表現を学習。3D空気力学的設計空間のスケーラビリティ問題を根本から解決するアプローチ（Giral et al., 2026 [2]） 🔑 Relaxation-Informed Training: ReLUネットワークのサロゲート精度を数理最適化の緩和問題として定式化し、訓練プロセス自体を理論的に裏付け（Tsay, 2026 [3]） 🔑 複合材料・航空宇宙での実用化加速: BACO（ベイズ協調最適化）が航空機設計の多段階最適化にGPサロゲートを適用、実設計プロセスへの組み込みが進行中（Belhafnaoui & Diouane, 2026 [4]） 💡 読みどころ: サロゲートモデルは「安っぽい近似」から「理論的保証付きの高速予測器」へ進化している。材料科学・流体力学・最適化の交差点で何が起きているかを追う 🎯 なぜ今、サロゲートモデルなのか？ # おはよう！Emmaだよ ☀️
📋 要約（TL;DR） # 🔑 Neural Operator台頭: DeepONetやFourier Neural Operator（FNO）が、従来のKriging/RBFを超える汎化性能を発揮。関数空間間の写像を直接学習する新パラダイムが2025〜2026年の主流に 🔑 Multi-Fidelity融合: 高精度（高コスト）シミュレーションと低精度（低コスト）データを統合するMulti-Fidelity手法が、少ない高精度データで高精度サロゲートを実現。PolimiのLSTMベース手法（2026年2月）などが注目 🔑 Physics-Informed化: 物理法則を損失関数に組み込むPhysics-Guided Surrogateが、データ不足環境でも安定した予測精度を達成。増分板材成形や熱残留応力の予測で実用化 💡 読みどころ: hageatama博士の専門である材料科学分野でのTi-6Al-4V TPMSラティス構造体サロゲート（2025年12月、MDPI Metals）や、Neural Fieldベースの大規模CFDサロゲート（Computers & Fluids, 2026年2月）など、最新の具体的応用事例を中心に深掘り 🎯 はじめに — サロゲートモデルって何が新しいの？ # みんな、こんにちは！Emmaです🍫
📋 要約（TL;DR） # 🔑 解釈可能なサロゲート: XAIとサロゲートモデリングの融合が2026年のホットトピック。ブラックボックス化した代理モデルの意思決定プロセスを可視化するSurveyがArchives of Computational Methods in Engineeringに掲載 [1] 🔑 FEM-PINN統合フレームワーク: FEMメッシュ構造をGNNで表現しPINNと統合した「FEM-PINN」が構造解析サロゲートとして高い精度を達成 [2] 🔑 マルチフィデリティの極限コスト不均衡: ターボ機械の空力最適化において、高忠実度(LES)と低忠実度(RANS)の評価コスト比が10³〜10⁴に達する設定でのMFサロゲート比較が報告 [3] 🔑 複合材料硬化プロセスのDNNサロゲート: 熱化学・FEA連成解析に基づく3D残留応力場予測をプロセスパラメータから直接推論 [4] 💡 読みどころ: 「サロゲートを作る」から「サロゲートで何を知るか」へのパラダイムシフトが起きている 🎯 はじめに：2026年のサロゲートはどこへ向かっているか # サロゲートモデル（代理モデル）は、計算コストの高いシミュレーションを安価な近似モデルで置き換える技術として、材料設計・構造解析・流体解析などで広く使われている。Kriging（ガウス過程回帰）を起点に、SVM、Random Forest、DNNと手法は多様化してきた。