Knowledge-Constrained Shape Optimization with a Mixture-of-Experts Neural Operator for High-Confidence Design

あなたは、巨大な粘土の塊から、より速く、より洗練された車を彫り出そうとしている熟練の彫刻家だと想像してください。しかし、そこには落とし穴があります。粘土をどこでも自由に叩いていいわけではありません。厳格なルールがあるのです。人々が外を見られるように窓の形を変えてはいけませんし、車が広くなりすぎてガレージに入らなくなることもあってはいけません。さらに、エンジンベイをいじることも禁止されています。現実の世界では、経験豊富なエンジニアたちは、設計を微調整し始める前に、これらの「セーフゾーン（安全領域）」を手動で設計図上に描き込む作業を行うのが常です。これは時間がかかり、完全に記憶と経験に頼った作業です。

この論文は、2つの大きなことを行う、非常にスマートなアシスタントを紹介しています。それは、あなたの代わりに自動で「セーフゾーン」を描き、さらに、膨大な数の高価な風洞実験を行うことなく、あなたの車がどれほどの速度で走るかを予測する「水晶玉」を構築することです。

「スマート・ルール」アシスタント
まず、チームはコンピュータに、エンジニアリングのルールブック、安全ガイドライン、および設計標準のライブラリを読み込ませました。車の画像を見せると、コンピュータは「ビジョン・ランゲージ・モデル（視覚と言語を同時に理解できるロボットのようなもの）」を使用して、どの部分が変更可能であるかを正確に判断します。例えば、「よし、フロントバンパーとボンネットは微調整できるが、Aピラー（フロントガラスを支える柱）は固定しておかなければならない」といった具合です。

単に推測するのではなく、コンピュータはこれらのルールを、車の周囲にある目に見えない3Dボックスへと変換します。そして、「ダイレクト・フリーフォーム・デフォーメーション（直接自由変形）」と呼ばれる数学的なトリックを用いて、そのボックス内の粘土を動かします。これにより、コンピュータが考案するあらゆる新しい形状が、物理的に可能であり、かつすべての安全性や製造上のルールを遵守していることが保証されます。これは、動かしてもよいパーツだけを彫刻することを許可し、それ以外の部分は完璧に硬直させたままにするロボットを持っているようなものです。

「エキスパート・パネル」による水晶玉
通常、新しい車の形状がどれほど速いかを確認するには、CFD（数値流体力学）と呼ばれる大規模なコンピュータ・シミュレーションを実行する必要があります。これは、仮想の風洞実験を行うようなものです。非常に正確ですが、膨大な計算能力を必要とするため、あらゆるアイデアをテストすることはできません。

そのため、エンジニアは通常、「サロゲート・モデル（代理モデル）」、つまり風洞実験の結果を推測する高速で安価なAIを使用します。しかし、ここには問題があります。もしAIが、目の前にある形状を見たことがなければ、予測を大きく外してしまう可能性があるのです。それは、夏のことしか知らない気象予報家に冬の暴雪の予測を頼むようなものです。彼らは、実際には雪が降っているのに「晴れ」と答えてしまうかもしれません。

著者らは、Mixture-of-Experts Neural Operator (MoE-NO) と呼ばれる新しい種類のAIを構築しました。これは、単一のAIではなく、さまざまな専門家による「パネル」であると考えてください。ある専門家はSUVに精通し、別の専門家はセダンに、また別の専門家はミニバンに精通しています。新しい車の形状を見せると、「ゲーティング・ネットワーク（チームリーダー）」が、「どの専門家がこの形状を最もよく知っているか？」と問いかけ、彼らの回答を組み合わせます。

この論文は、この「エキスパート・パネル」が、従来の単一AIモデルよりもはるかに優れていることを示しています。450種類の車の形状を用いたテストセットにおいて、この新しいAIはドラッグ（空気抵抗）をわずか**1.16%の誤差で予測し、従来の最高モデルの誤差である1.52%を上回りました。さらに重要なことに、トレンド（傾向）を正しく捉えた割合は94.34%**に達しました。これは、ある車が別の車よりも速い場合、AIがどちらが速いかを正しく判断できることを意味しており、最高のデザインを見つけ出す上で極めて重要です。

「信頼して、かつ検証する」ためのセーフティネット
このシステムの最も素晴らしい部分は、不確実性をどのように扱うかという点です。AIは、自分が推測しているのかどうかを知っています。システムは「不確実性スコア」を用いて、今見ている車の形状が、以前に見たことがあるものかどうかをチェックします。

• AIが自信を持っている場合： 「この形状は99%大丈夫だ」と判断し、高価な風洞実験を実行せずに次のステップへ進みます。
• AIが不安を感じている場合： 「このような形状は見たことがない。確信が持てない」と判断し、「フィジックス・ソルバー・イン・ザ・ループ（物理ソルバーを組み込んだ仕組み）」を起動させます。これは、その特定の難しい形状に対してのみ、少数の高精度な風洞実験を密かに実行し、そこから学習してエキスパート・パネルを更新することを意味します。

この「不確実性ゲート付き」のアプローチは、SUVのテストケースで威力を発揮しました。AIは当初、ドラッグを**4.36%**削減できると予測しましたが、不確実性スコアが高かったため、実際のテストを実行しました。その結果、AIの予測は誤っており、実際の削減率は（論文によれば、初期の予測は外れており、精査後に）**7.96%であったことが判明しました。AIが実際のテストデータから学習した後、予測を修正し、最終的な検証済みドラッグ削減率は7.96%**へと跳ね上がりました。このセーフティネットがなければ、悪いデザインを受け入れてしまったり、優れたデザインを見逃したりしていたかもしれません。

「分布外（Out-of-Distribution）」への挑戦
システムを真にテストするために、研究者たちは、トレーニング・ライブラリにあるものとは全く異なる車の形状（「セダンテスト」と呼ばれるもの）という難題を突きつけました。初期のAIは惨敗し、予測誤差は14.88%、精度スコアは負の値（R² = -18.42）となり、これはAIがランダムに推測していることを意味します。

しかし、システムの「分布レベル・ゲート」がこれを検知しました。「おや、これは我々が見たことのない新しいタイプの車だ！」と気づいたのです。その後、この奇妙な車の周囲に150個の新しいローカル・デザインを生成し、それらに対して実際の風洞実験を実行して、パネルに新しい「エキスパート」を教え込みました。この迅速なトレーニングの後、AIの精度は劇的に向上し、誤差はわずか**1.84%となりました。そして、この新しい車を最適化することに成功し、ドラッグを7.43%**削減しました。

この論文が「言っていないこと」
著者らは、これが何ではないかを非常に明確に述べています。彼らは、この手法があらゆる設計問題を解決すると言っているわけではありません。AIが人間の入力や過去のデータなしで完璧に機能すると主張しているわけでもありません。実際、彼らは、すべての車種に対して単一のグローバルなAIモデルを使用することに対して反対の立場をとっており、データが混在するとエラーが生じることを示しています。また、この手法は、特にAIが確信を持てない場合に、結果を検証するために依然としていくらかの実際の風洞実験（CFD）を必要とすることも指摘しています。これは物理学を置き換えるものではなく、プロセスをよりスマートかつ安全にするためのものです。

結論
これらのシミュレーションとテストにおいて、チームは、車の形状を作るための「スマート・ルール」と、助けを求めるべき時を知っている「エキスパート・パネル」型のAIを組み合わせることで、より確実に、より速い車を設計できることを示しました。彼らは、追加のチェックなしでミニバンに対して10.52%、セダンに対して**4.17%のドラッグ削減を達成し、迅速な安全確認を経てSUVに対しては最大7.96%**の削減を実現しました。これは、ハイテクな設計をギャンブルではなく、自信に満ちた、導かれた旅にする方法なのです。