コンテンツにスキップ

Home

AIサロゲートモデル検証プラットフォーム

AIサロゲートモデル検証プラットフォームは、CAE（Computer Aided Engineering）1解析を行うお客様が、AIサロゲートモデルを導入し、その効果を検証するためのプラットフォームです。

AIサロゲートモデルとは？

AIサロゲートモデルは、複雑なシミュレーションの代わりに、機械学習で構築された近似モデルです。これにより、計算時間とコストを大幅に削減できます。特に、物理法則を組み込んだニューラルネットワークであるPiNNs（Physics-Informed Neural Networks）2は、少ないデータでも物理的に妥当な予測が可能です。

比較

このプラットフォームでできること

1. サロゲートモデルの理解を深める

目的:

サロゲートモデル3に興味はあるけれど経験がないお客様が、実際にそのメリットとデメリットを体験し、自分の課題に適用すべきかを判断できるようになります。

内容:

  • プラットフォームが用意した問題（例：部屋の空気の流れのシミュレーション）を使って、サロゲートモデルの学習と推論を体験できます。

demo

  • ハイパーパラメータ（AIモデルの学習を制御する設定値）を操作し、その難しさや、学習・推論にかかる時間、シミュレーション結果との精度の違いを実感できます。

SIM

  • 例えば、「loss値がまだ下がりそうなのに学習が終わってしまったら、最大繰り返し回数を増やしてやり直す」「学習を進めてもloss値が下がらない場合は、AIモデルの構造や学習データを変更してやり直す」といった試行錯誤を体験できます。

学習

2. サロゲートモデルの構築と検証を体験する

目的:

お客様自身の課題に対して、サロゲートモデルを実際に構築・検証し、適用可能かを判断できるようになります。AIや機械学習の専門知識がなくても、サロゲートモデルの構築を体験できます。

内容: - インタラクティブな開発環境: Python開発環境（JupyterLabなど）が提供され、コードやデータを直接操作しながら、サロゲートモデルのプログラミングを効率的に行えます。AIライブラリやサンプルプログラムも利用できます。 - モデル構築の自動化: AIの専門知識が必要なハイパーパラメータチューニングを自動化する機能が提供され、試行錯誤の負担を減らします。 - 学習基盤の提供: サロゲートモデルの構築に必要な環境設定の手間を省き、すぐに開発を始められます。 - 実験管理とバージョン管理: 検証内容の履歴やコード、モデルなどを一元管理し、開発プロセスの再現性と追跡可能性を確保します。 - パイプラインとテンプレート化: モデル開発のワークフローを標準化し、効率的な開発を支援します。

このプラットフォームを使うメリット

  • 導入障壁の低減: CAE解析の専門家がAIサロゲートモデルを導入・検証する際のハードルを下げます。
  • 時間とコストの削減: 複雑なシミュレーションの代替としてサロゲートモデルを活用することで、開発コストと時間を大幅に削減できます。
  • 効率的なモデル構築: 支配方程式の定義、境界条件の取り扱い、ハイパーパラメータの最適化などを支援し、最適なモデルを効率的に作成できます。
  • AI専門家でなくても利用可能: AIの知識がなくても、段階的にサロゲートモデルを理解し、構築・検証できるような機能が提供されます。
  • 次世代データセンター向けの省電力プロセッサFUJITSU-MONAKA4に対する最適化も実施予定です。

本プラットフォームは、CAEを用いた製品開発の高速化を目指し、サロゲートモデルの活用を検討しているお客様にとって、非常に強力なツールとなります。

AIサロゲートモデル検証プラットフォームとシミュレーションの使い分け

AIサロゲートモデル検証プラットフォームとシミュレーションは、それぞれ異なる目的と利点を持つため、状況に応じて使い分けられます。

使い分け

AIサロゲートモデル検証プラットフォームの主な役割

  • 高速な予測とコスト削減: 複雑なシミュレーションの代わりに、AIサロゲートモデル（特にPiNNs）を用いることで、圧倒的に短い時間で結果を得られ、計算コストを大幅に削減できます。
  • 設計パラメータの絞り込み: 高コストな数値シミュレーションを行う前の初期段階で、多数の設計パラメータを効率的に評価し、最適な候補を絞り込むのに適しています。
  • AIモデルの構築・検証支援: AIや機械学習の専門知識がなくても、サロゲートモデルの構築、ハイパーパラメータの最適化、学習・推論結果の評価などを支援し、導入障壁を低減します。
  • 見えない現象の可視化: シミュレーションと同様に、空気の流れや熱の伝わり方など、目に見えない現象を可視化して分析できます。

シミュレーションの主な役割

  • 高精度な詳細解析: 物理法則に基づいた数値計算を行うため、非常に高い精度で詳細な現象を解析できます。
  • 最終的な性能検証と最適化: 設計の最終段階で、製品の性能を厳密に検証したり、微細な最適化を行ったりする際に不可欠です。
  • 複雑な物理現象の再現: サロゲートモデルでは近似が難しい、非常に複雑な物理現象や極端な条件下の挙動を正確に再現できます。

使い分けのポイント

  1. 開発の初期段階や多数の設計案を検討する際:
  2. AIサロゲートモデル検証プラットフォームを活用し、高速かつ低コストで多くの設計案を評価し、大まかな傾向を把握したり、有望な設計パラメータを絞り込んだりします。

  3. 例えば、部屋の空気の流れのシミュレーションで、様々な空調配置や障害物のパターンを短時間で試したい場合に有効です。

  4. 最終的な設計の検証や高精度な結果が必要な際:

  5. 従来のシミュレーションを用いて、絞り込まれた設計案に対して、より詳細で高精度な解析を行い、最終的な性能評価や微調整を行います。
  6. 例えば、車の衝突安全性を最終的に検証する場合など、わずかな誤差も許されない場面で利用します。

AIサロゲートモデル検証プラットフォームは「素早く大まかな傾向を掴み、効率的に設計案を絞り込む」ためのツールであり、シミュレーションは「絞り込まれた設計案を詳細かつ高精度に検証する」ためのツールと言えます。両者を組み合わせることで、製品開発の高速化と品質向上を両立できます。


お問い合わせ お試しをご希望の場合にはお問い合わせください

  1. CAEとは、Computer Aided Engineering（コンピュータ支援エンジニアリング）の略で、製品の設計や開発のプロセスで、コンピュータを使ってシミュレーション（仮想実験）を行うことを指します。 ↩

  2. PiNNs（Physics-Informed Neural Networks）は、物理法則をAIモデルに組み込んだニューラルネットワークです。これにより、少ないデータでも物理的に正しい予測ができ、複雑なシミュレーションの計算時間とコストを大幅に削減できます。 ↩

  3. サロゲートモデルとは、複雑なシミュレーションの代わりに、機械学習で構築された「代理」のモデルです。これにより、計算時間とコストを大幅に削減し、効率的な製品開発を可能にします。 ↩

  4. FUJITSU-MONAKAは、2027年にリリースを予定している、比類なき性能と電力効率で次世代データセンターの課題を解決する、Armベースの次世代プロセッサです。 ↩