AIによる流動現象の高精度・高速な予測に成功 ~設計・製造における評価プロセスの加速に期待~

ad

2023-03-23 科学技術振興機構,株式会社RICOS

ポイント
  • これまでは、汎用(はんよう)性が高く、速さと精度を両立させたAI(人工知能)による流動現象の予測が困難だった。
  • 物理シミュレーションとAI技術を組み合わせることにより、信頼性・汎用性を担保しつつ、AIの強みを生かした高速な予測を実現した。
  • 流動現象のシミュレーションの高速化は、設計・製造における評価プロセスの加速や、気象予報の高精度化のための重要な一歩となる。

JST 戦略的創造研究推進事業において、株式会社RICOSの堀江 正信 氏らは、AI技術を用いて、水や空気などの運動に代表される流動現象の高精度・高速な予測に成功しました。今回の技術により、既存の物理シミュレーションやAI技術では到達することのできなかった、精度と計算時間(同一の計算機上で測定)の高度なバランスを実現したことは大きな成果です。

現在、流動現象を予測するためには物理シミュレーションを用いることが主流ですが、現象を精度良く詳細に解析しようとすると計算に時間がかかり、反対に計算時間を短縮するために処理を簡略化すると予測精度が低下するという、精度と計算時間のトレードオフが見られました。

また、近年、機械学習と呼ばれるAIの基盤技術を用いた物理現象の予測モデルの構築について盛んに研究がなされてきていますが、従来型の物理シミュレーションで扱われているような複雑な条件でのシミュレーションに適用できないことが多く、信頼性・汎用性において課題がありました。

本研究グループは、物理シミュレーションの技術と機械学習の技術を組み合わせることによって、信頼性・汎用性を担保しつつ、既存のデータを活用して予測を行うという機械学習の強みを生かした高速な予測モデルを実現しました。あらかじめ作成しておいた高精度なシミュレーションデータを学習させることにより、従来型の物理シミュレーションと比較して精度を大幅に損なうことなく高速な予測を達成しています。また、既存の機械学習技術では同じ現象でも異なる視点から見ると予測精度が落ちてしまうことがあったのに対し、今回開発した技術では予測精度が低下しないことを理論的に証明できます。

また、流動現象の物理シミュレーションにおいては「空気が入ってくる部分」や「空気を通さない壁の部分」といった形で解析したい現象の条件を付与しますが、既存の機械学習技術ではこのような条件を厳密に考慮することはできませんでした。今回、本研究グループでは、機械学習の良さを失わずにこのような条件を考慮する手法の開発に成功し、機械学習でも従来型の物理シミュレーションと同等の汎用性を持つことができる可能性を示しました。

今回の技術は、設計・製造においてボトルネックとなり得る流動現象のシミュレーションによる評価プロセスを高速化し、設計・製造プロセス全体の効率化を加速させるものと期待できます。その他にも、飛沫(ひまつ)による感染症予防のための換気の効率化や、気象予報の高精度化のための重要な一歩となると考えられます。

本研究は、筑波大学 システム情報系の三目 直登 助教と共同で行いました。

本研究成果は、2023年3月22日(日本時間)に機械学習トップ国際会議「Advances in Neural Information Processing Systems」のオンライン版で公開されました。

本成果は、以下の事業・研究領域・研究課題によって得られました。

JST 戦略的創造研究推進事業 個人型研究(さきがけ)

研究領域
「複雑な流動・輸送現象の解明・予測・制御に向けた新しい流体科学」
(研究総括:後藤 晋 大阪大学 大学院基礎工学研究科 教授)

研究課題名
機械学習と数値解析を融合した流動モデリング

研究者
堀江 正信(株式会社RICOS 基盤研究部 部長)

研究期間
令和3年10月~令和7年3月

グラント番号
JPMJPR21O9

さきがけ「複雑な流動・輸送現象の解明・予測・制御に向けた新しい流体科学」領域では、近年その発展が目覚ましい、流れの数値シミュレーションのための環境や手法、流れの計測技術、そして、これらにより得られた膨大なデータを解析する応用数学的手法を駆使し、これまで困難であった複雑な流動・輸送現象の抜本的な解明や、より正確な予測および高度な制御法の確立に向けた、新しい流体科学の基盤を構築することを目的とします。上記研究課題では、柔軟な機械学習モデルであるグラフニューラルネットワークと流動・輸送現象に適した数値解析手法である不連続ガラーキン法と組み合わせることで、物理現象の要請である座標変換に対する同変性と流動・輸送現象において重要な保存則を満たし、高精度かつ高速に予測ができる機械学習・数値解析手法の開発に取り組んでいます。

詳しい資料は≫

<論文タイトル>
“Physics-Embedded Neural Networks: Graph Neural PDE Solvers with Mixed Boundary Conditions”
<お問い合わせ先>

<研究に関すること>
堀江 正信(ホリエ マサノブ)
株式会社RICOS 基盤研究部 部長

<JST事業に関すること>
嶋林 ゆう子(シマバヤシ ユウコ)
科学技術振興機構 戦略研究推進部 グリーンイノベーショングループ

<報道担当>
科学技術振興機構 広報課

1700応用理学一般
ad
ad
Follow
ad
タイトルとURLをコピーしました