技術概要：マスク・モーフィンググラフU-ネット（MMGUNet）

1. 問題定義

非線形有限要素（FE）クラッシュシミュレーションは、車両の衝突安全性評価の標準手法であるが、計算コストが高く、反復的な設計最適化への適用を妨げている。グラフニューラルネットワーク（GNN）に基づく機械学習のサロゲートモデルはより高速な代替手段を提供するが、既存のアプローチは予測能力と幾何学的汎化性の間に根本的なトレードオフに直面している：

• 共有重みメッセージパッシング： すべてのノード/エッジで共有された更新関数を使用するモデル（例：MeshGraphNet）は、異なるトポロジー間で良好に汎化するが、複雑な非線形関係を正確に捉える能力が不足することが多い。
• エッジ固有の集約： 共有不可能なエッジ固有の重みを使用するモデル（例：マルチチャネル集約ネットワーク）は、固定されたトポロジーにおいて高い精度を達成するが、固定されたグラフ接続を必要とする。
• 汎化性のボトルネック： エッジ固有の層を持つ階層的グラフU-ネット（ReGUNet など）は、固定された粗いグラフテンプレートに依存する。クロスグラフエッジは通常、入力メッシュと固定テンプレート間の空間的近接性に基づいて構築される。幾何学的変動が大きい場合（例：顕著な形状変化、スケール差、メッシュ密度の変動）、空間的近接性は正しいノード対応を確立できなくなる。これにより、微細ノードが不適切な粗領域に接続され、予測性能が低下し、未見の幾何形状への転移性が制限される。

2. 手法

著者は、エッジ固有の層の高い能力を維持しつつ、変化する幾何形状間での汎化を可能にするフレームワークである**マスク・モーフィンググラフU-ネット（MMGUNet）**を提案する。手法は以下の 3 つの中核コンポーネントから構成される：

A. 特徴整合重心モーフィング

エッジ固有の層に必要な固定トポロジーを犠牲にすることなく対応関係を解決するため、MMGUNet はクロスグラフエッジを構築する前に、各入力微細メッシュに合わせて粗いグラフ階層をモーフィングする。

• プロセス： 固定トポロジーのテンプレートと入力メッシュの両方を、Tutte の重心埋め込みを用いて共有の 2 次元パラメータ領域（UV 領域）にマッピングする。
• 特徴整合： 標準的な円形境界とは異なり、この手法は検出されたコーナーノードによって定義されたケース固有の多角形（例：正方形または八角形）に UV 境界を固定する。これにより、意味的に類似した領域（例：コーナー、フランジ）が、異なる形状間でも一貫した UV 位置を維持する。
• モーフィング： 目標の 3 次元ノード座標を UV 領域からテンプレートへ補間し、固定接続性を維持しながら入力形状に整合するように粗いグラフ幾何形状を更新する。その後、このモーフィングされ整合された幾何形状に基づいてクロスグラフエッジを構築する。

B. ネットワークアーキテクチャ

MMGUNet は階層的グラフU-ネットバックボーンを利用する：

• 微細レベル： 入力エンコーディングおよびグラフ内メッセージパッシングに共有重みMLPベースの操作を使用し、任意の入力トポロジーに対する柔軟性を可能にする。
• 粗レベル： エッジ固有のダウンサンプリングおよびアップサンプリング層を備えた固定トポロジーグラフを採用する。これらの層はチャネルごとに共有不可能な重みを割り当て、非線形関係の表現能力を最大化する。
• クロスグラフ接続： モーフィングステップ後に確立され、微細ノードと粗ノード間の意味のある局所対応を確保する。

C. 学習戦略：マスク付き事前学習とパラメータ効率型微調整

堅牢性とデータ効率を向上させるため、モデルは 2 段階の学習プロトコルを採用する：

1. マスク付き教師あり事前学習： 訓練中にノードのサブセットと関連エッジをランダムにマスクする。モデルは部分的に観測されたグラフから完全な変位場を予測する。重要なのは、境界条件または接触制約を持つノードは物理的制約を保持するためにマスクから保護される点である。これは確率的正則化として機能する。
2. パラメータ効率型微調整： 特定のターゲットタスクへの適応のために、高パラメータのエッジ固有層（ダウンサンプリング/アップサンプリング）および粗レベルメッセージパッシング層は凍結される。エンコーダ、最初の微細レベルメッセージパッシング、およびダウンサンプリングメッセージパッシング層のみが更新される。これにより、学習可能パラメータ数が総数の約 0.48% に削減され、過学習を防止し、適応を加速する。

3. 主要な貢献

• マスク・モーフィンググラフU-ネット： 衝突安全性場の予測のために、トポロジー保存型粗グラフモーフィングとエッジ固有の集約層を組み合わせるマルチスケールメッシュベースのGNNサロゲート。
• 特徴整合モーフィング： ランドマーク固定境界を備えた重心パラメータ化を用いた新規手順であり、幾何学的に変化する有限要素メッシュ全体で固定トポロジーのエッジ固有演算子の再利用を可能にする。
• 転移学習戦略： 教師ありマスク付き事前学習とパラメータ効率型微調整のアプローチにより、汎化性を大幅に向上させ、ターゲット適応に必要なデータ要件を削減する。
• 包括的評価： 7 つのシナリオ（6 つのBピラーバリエーションと 1 つのUチャンネルケース）を含むマルチ幾何形状ケーススタディスイート。スケール、メッシュ密度、幾何学的複雑さが異なり、分布内、分布外、およびクロスコンポーネント転移設定下で評価された。

4. 実験結果

モデルは、変位場に対して平均ユークリッド距離（MED）、ピーク侵入に対して最大侵入パーセンテージ誤差（MIPE）を用いて評価された。

• アブレーション研究：
  • 位置エンコーディング： ワンホットノードタイプエンコーディングと臨界領域までの距離（DTC）特徴を組み合わせることが最良の性能を示し、符号の曖昧さによる不安定性を導入したラプラシアン固有ベクトルを上回った。
  • マスク比率： 20% のマスク比率が汎化と予測品質の間の最適なトレードオフを提供した。
• ベースライン比較：
  • MMGUNet は、BピラーおよびUチャンネルの両ケースにおいて、外部ベースライン（MeshGraphNet、MS-MGN、Multigrid）およびアブレーション版（GUNet-fix、MGUNet）を上回った。
  • モーフィングの影響： モーフィングありかつマスクなしの MGUNet は、固定接続の GUNet-fix と比較して誤差を大幅に削減し、大きな変動に対して幾何学的整合が重要であることを確認した。
  • 事前学習の影響： モーフィング＋マスクを備えた MMGUNet はさらに誤差を削減し、訓練 - テストのギャップを狭め、堅牢性の向上と過学習の減少を実証した。
• 汎化性と転移：
  • 分布外： 未見の形状（例：異なるスケールまたはメッシュ密度）への直接汎化は依然として課題であったが、提案されたアーキテクチャによって改善された。
  • 転移学習： ターゲットタスクで微調整された事前学習モデルは、ゼロから訓練されたモデルを一貫して上回った。特に、形状汎化の試行 B では、50 サンプルのみで微調整された事前学習モデルが、300 サンプルで訓練された非事前学習ベースラインを上回った。
  • クロスコンポーネント転移： モデルは Bピラー幾何形状からUチャンネルコンポーネント（試行 E）へ正常に転移し、コンポーネントファミリー間でも正の利益を示したが、ファミリー内転移と比較して相対的な改善は小さかった。

5. 意義と主張

本論文は、MMGUNet が衝突安全性設計探索のための再利用可能でデータ効率の高いメッシュベースのサロゲートモデリングへの実用的な道筋を提供すると主張している。

• トレードオフの解決： この手法は、高容量のエッジ固有層のための固定粗トポロジーの必要性と、汎化性のための幾何学的柔軟性の必要性との間の緊張関係を成功裏に解決する。
• 設計支援： このサロゲートは、初期段階の設計探索における意思決定支援ツールとして位置づけられ、高価な非線形FEシミュレーションに着手する前に、多くの幾何学的バリエーションに対する変位場と侵入測度の迅速な推定を可能にする。
• データ効率： モーフィングとパラメータ効率型微調整の組み合わせは、新しい幾何形状へのモデル適応に必要なターゲットデータの量を大幅に削減し、新しい設計ごとに大規模なデータセットを生成することが現実的でない反復ワークフローにおいて実用的にする。

著者は限界を認め、現在の範囲は固定荷重および境界条件下での終端変位予測に限定されており、モーフィング戦略は識別可能な幾何学的ランドマークに依存していることを指摘している。今後の課題として、時間依存応答および可変荷重条件へのフレームワークの拡張が提案されている。