🤖 machine learning

Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction

本研究は、巻線回転型同期電動機の性能を予測するための8つの機械学習およびディープラーニングモデルの包括的なベンチマークを提示しており、ニューラルネットワークベースのアーキテクチャ、特にFT-Transformerが、精度と計算速度の両面においてツリーベースのモデルを大幅に凌駕すると同時に、堅牢なマルチシード再現性プロトコルおよびコストと精度のトレードオフに関するパレート分析を提供することを実証している。

原著者： Kıvanç Doğan, Ahmet Orhan

公開日 2026-06-23✓ Author reviewed ⓘ

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Kıvanç Doğan, Ahmet Orhan

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

新しい電気自動車のための完璧なエンジンを設計しようとしている場面を想像してみてください。かつて、エンジニアは強力なモーターを作るために、希少で高価な金属（磁石に含まれるものなど）に頼っていました。しかし、これらの金属は入手が困難で政治的な問題を引き起こす可能性があるため、現在、エンジニアは「巻線回転子同期モーター（WRSM）」と呼ばれる異なるタイプのモーターへと切り替えつつあります。この新しいモーターを、希少金属を必要としないが、設計するのは非常に難しい「スマート」なエンジンだと考えてください。

問題点：「遅い計算」というボトルネック

この新しいモーターを設計することは、あらゆる材料の組み合わせを試食して、完璧なレシピを見つけ出そうとする作業に似ています。そこには、金属プレートのサイズ、ワイヤーの巻き数、電流といった数十もの変数があります。

伝統的に、エンジニアは**FEA（有限要素解析）**と呼ばれる、極めて正確ですが非常に低速なコンピュータ・シレーションを使用して、各レシピをテストします。

例え： FEAは、スープを一口味わい、その分子の一つ一つを分析して完璧な評価を下す「マスターシェフ」のようなものです。問題は、たった一口を味わうだけで数時間かかることです。もし3,000通りのレシピをテストする必要があるなら、完成まで何年も待つことになります。

解決策：「速い学習者」（機械学習）

このプロセスを加速させるために、研究者たちはコンピュータに、低速なシェフのテスト結果を「推測」する方法を教えようとしました。彼らは**機械学習（ML）とディープラーニング（DL）**モデルを使用しました。

例え： マスターシェフを待つ代わりに、彼らは「素早く味を判別できる見習い」のグループを訓練しました。これらの見習いたちは、過去の何千ものレシピとその結果を読み込み、パターンを学習することで、新しいレシピの味をミリ秒単位で予測できるようになります。

実験：味比べ大会

研究者たちは、3,351個の有効なモーター設計（まるで膨大なレシピ本のようなもの）を含むデータセットを作成しました。そして、モーターの性能（どれほどの回転トルクを生み出し、どれほど効率的か）を最も正確に予測できるのは誰かを決めるため、**8種類の異なる「見習い」**を戦わせました。

8人の見習いは、4つの異なる「ファミリー」に分かれています。

ツリーベース・モデル（論理パズル型）： CatBoost、LightGBM、Random Forestなどが含まれます。これらは、フローチャートのように一連の「はい／いいえ」の質問を繰り返すことで意思決定を行います。
ニューラルネットワーク（パターン認識型）： MLP、PI-MLP、そして主役であるFT-Transformerが含まれます。これらは人間の脳を模倣するように設計されており、単純な「はい／いいえ」のステップではなく、変数間の複雑で滑らかなつながりを見つけ出します。
確率モデル（ギャンブラー型）： *ガウス過程回帰（GPR）*のように、不確実性を伴いながら推測を行うものです。

結果：誰が勝ったのか？

結果が単なる偶然ではないことを確認するためにテストを10回実行したところ、以下のような結果となりました。

チャンピオン： FT-Transformer（ディープラーニング・モデル）が金メダルを獲得しました。これは最も正確であり、モーターの性能を極めて高い精度（99.28%の精度）で予測しました。
- なぜ勝ったのか： 本論文では、モーターの物理現象は「滑らかに流れる川」のようなものであると示唆しています。ニューラルネットワークはその滑らかな流れを追うのが得意です。一方で「ツリー」モデルは、川を直線的でギザギザなステップに切り刻んでしまうため、その微細なニュアンスを捉えるのに苦戦しました。
準優勝： 標準的なニューラルネットワーク（MLP）が2位に入り、依然としてすべてのツリーベース・モデルを上回りました。
「十分合格点」の選択肢： ツリーベース・モデルの中では、CatBoostが最も優秀でした。ニューラルネットワークほどの正確さはありませんでしたが、学習速度は非常に高速でした。
敗者： GPRは非常に高速に学習しますが、精度ではニューラルネットワークに及ばず、Random Forestが全体として最も弱いパフォーマンスを示しました。

トレードオフ：速度 vs 精度

研究者たちはまた、「学習コスト」についても調査しました。

FT-Transformer： 学習に約6分かかりますが、一度学習すれば、結果の予測にはわずか0.33ミリ秒しかかかりません。これは、従来の「マスターシェフ（FEA）」よりも数百万倍高速です。
CatBoost： 学習にわずか37秒しかかからず、速度と精度の優れたバランスを提供しました。
従来の方法（FEA）： 1回のテストにつき、数分または数時間を要します。

結論

この研究は、これらの新しい、希少金属を使用しないモーターを設計するためには、**ディープラーニング・モデル（特にFT-Transformer）**が利用可能な最良のツールであることを証明しています。これらは驚異的な精度を持ち、従来のメソッドでたった一つのテストを行う間に、数千もの設計の可能性を探索することができます。

もし絶対的な最高のデザインが必要なら、FT-Transformerを使用してください。もし初期計画のために、素早く「十分な」答えが必要なら、CatBoostは非常に優れた、高速な代替案となります。どちらにせよ、両者とも従来の方法よりも設計プロセスを劇的に高速化します。

技術要約：WRSMの性能予測における機械学習およびディープラーニングモデルの比較評価

問題提起
電気自動車（EV）産業の急速な拡大に伴い、希土類元素（REE）への依存を回避できる高効率電気モーターへの需要が高まっています。巻線形同期モーター（WRSM）は、希土類元素への依存を排除できることから、永久磁石同期モーター（PMSM）に代わる戦略的な選択肢として浮上しています。しかし、WRSMの設計には、多数の幾何学的および電磁的パラメータを同時に調整する必要がある、高次元かつ非線形な最適化問題が伴います。従来の設計検証は有限要素解析（FEA）に依存していますが、これは正確である一方で計算コストが高く、1回の評価に数分から数時間を要することがよくあります。このボトルネックは、設計の初期段階における広範なパラメータ空間の探索を著しく制限しています。機械学習ベースのサロゲートモデル（代理モデル）によるプロセスの加速が提案されていますが、既存の文献では、比較対象となるモデルの範囲が限定的であったり、最新のディープラーニングアーキテクチャが除外されていたり、WRSMに特化した包括的なベンチマークが欠けていたりすることが少なくありません。

手法
本研究では、勾配ブースティング、アンサンブル、ニューラルネットワーク、および確率的手法の4つのアルゴリズムファミリーにわたる8つの機械学習およびディープラーニングモデルの系統的な比較を実施します。評価は、トルクとモーター効率という2つの重要な性能指標の予測に焦点を当てています。

データセット生成: Ansys Motor-CADシミュレーション環境内のラテン超方格法（LHS）を用いて、3,351個の有効なサンプルからなるデータセットを生成しました。このデータセットは、23個の入力パラメータ（幾何学的パラメータ15個、電気的パラメータ8個）を目的変数へとマッピングしています。データは、トレーニング用70%、検証用15%、テスト用15%のセットに分割されました。
評価対象モデル:
- 勾配ブースティング: CatBoost、LightGBM、XGBoost。
- アンサンブル: ランダムフォレスト（Random Forest）。
- ニューラルネットワーク: 多層パーセプトロン（MLP）、物理情報に基づくMLP（PI-MLP：損失関数に電磁制約を統合したもの）、およびFT-Transformer（自己注意機構を用いて表形式データ向けに設計されたトランスフォーマー・アーキテクチャ）。
- 確率的手法: ガウス過程回帰（GPR）。計算の複雑さを考慮し、400個のサブセットで学習を実施。
学習プロトコル: 堅牢性と再現性を確保するため、各モデルは10個の異なるランダムシード値を用いて学習されました。ハイパーパラメータは、Optunaフレームワークを用いて系統的に最適化されました。すべてのモデルは、 $R^2$ 、平均絶対誤差（MAE）、平方根平均二乗誤差（RMSE）、および平均絶対パーセント誤差（MAPE）を用いて評価されました。

主な貢献
本研究は、以下の3つの主要な貢献を通じて、先行研究と差別化を図っています。

幅広いモデルスペクトラム: 表形式データ向けの最新のディープラーニングアーキテクチャであるFT-Transformerを含め、広範なアルゴリズムを網羅しています。FT-Transformerは、WRSMのサロゲートモデリングにおいてこれまでベンチマークされていませんでした。
厳格な再現性: マルチシード・プロトコル（10個のシード）の使用と系統的なハイパーパラメータ最適化により、単一実行の評価を超えた、統計的に堅牢なモデル性能の評価を実現しています。
多次元分析: 計算コスト（学習時間）と予測精度のトレードオフを評価するためにパレート分析を採用しており、設計プロセスの異なる段階に応じた実用的な指針を提供しています。

結果
実験結果は、明確な性能階層を示しています。

精度: ニューラルネットワークベースのモデルは、ツリーベースのモデルを系統的に上回りました。FT-Transformerは最高の単一モデル精度を達成し、全体としての $R^2$ は0.9928 ± 0.0009でした。具体的には、トルク予測で $R^2$ 0.9914（MAE = 1.227 Nm）、効率予測で $R^2$ 0.9942（MAE = 0.728%）を達成しました。
比較: ツリーベースのモデル（CatBoost、LightGBM、XGBoost、ランダムフォレスト）は、0.80から0.95の範囲の $R^2$ 値となり、より低い精度を示しました。これらの中ではCatBoostが最も優れた性能を示しましたが、ランダムフォレストは最も高い誤差を示しました。
物理情報に基づくアプローチ: PI-MLPへの物理的制約の導入は、標準的なMLPに対する性能向上をもたらしませんでした。実際、両方の指標において標準的なMLPがPI-MLPをわずかに上回りました。
計算のトレードオフ:
- FT-Transformer: 最長の学習時間（378秒）を要しましたが、最高の精度を提供しました。
- CatBoost: パレート最適解として浮上し、約37秒で $R^2$ 0.9592を達成し、速度と精度の良好なバランスを提供しました。
- 推論速度: 学習後、FT-Transformerモデルは0.33ミリ秒で予測を生成し、これはFEAの数分間の計算時間と比較して数桁の高速化を意味します。

意義と主張
著者らは、本研究がFT-Transformerのような最新のディープラーニングアーキテクチャを取り入れた、WRSMサロゲートモデリングにおける初の包括的なベンチマークであると主張しています。研究結果は、ニューラルネットワークの連続関数近似能力が、ツリーベースのモデルの区分線形な決定境界よりも、WRSMの滑らかで非線形な電磁的遷移を捉えるのに適していることを示唆しています。

本研究は、最大限の精度を必要とするアプリケーションにはFT-Transformerが最適な選択肢である一方、計算コストが主要な制約となる迅速なプロトタイピングや事前スクリーニングの段階では、CatBoostが効率的な代替手段となることを結論付けています。開発されたサロゲートモデルは評価時間を大幅に短縮し、電気モーターの設計初期段階における広範なパラメータ空間の迅速な探索を可能にします。今後の課題として、異なるWRSM構成へのモデルの汎用性の評価、およびより大きなデータセットを用いた物理情報に基づくモデリングの統合が提案されています。