Scalable dynamical inference of phase-field fracture from sparse and partial measurements

橋、タービンブレード、あるいはセラミックコーティングが壊れ始める際、その危険は単に材料が摩耗することから来ることは滅多にありません。むしろ、それは通常、現れた小さな亀裂が成長し、最終的に構造物を引き裂いてしまうことから始まります。これらの亀裂がどこをどのように進むかを正確に予測することは、工学における最も困難な問題の一つです。亀裂は直線には進みません。材料が耐えてきた応力の履歴に基づいて、枝分かれし、合流し、方向を変えます。この挙動を理解するために、科学者たちは「フェーズフィールド・モデリング」と呼ばれる手法を用います。亀裂を鋭いギザギザの縁としてではなく、滑らかでぼやけた線としてイメージしてください。この「曖昧な」表現により、コンピュータは材料のマップを常に描き直す必要なく、壊れゆく物体の複雑で乱雑な旅路を追跡できるのです。このアプローチは非常に正確ですが、極めて時間がかかります。強力なコンピュータを用いたとしても、壊れゆく物体のシミュレーションを一度実行するのに数時間、あるいは数日かかることがあり、リアルタイムの安全確認や迅速な設計テストに使用することは不可能です。

スタンフォード大学の研究者たちは、わずかな断片的な手がかりだけを用いて、亀裂が進む材料の未来の状態をコンピュータに予測させることで、このプロセスを高速化する新しい方法を開発しました。毎回、低速で重いシミュレーションを実行する代わりに、彼らは特殊な人工知能を、「速くて賢い推測役」として訓練しました。このシステムは、材料がどのように振る舞ってきたかという短い履歴と、現在の瞬間から得られた少数の疎な測定値（例えば、材料がどれだけ引き伸ばされたかを測定する数個のセンサーなど）を組み合わせます。この限られた情報から、AIは亀裂全体と周囲の応力場の詳細な全体像を再構築します。その結果、従来のメソッドと比較して、標準的なコンピュータでは175倍以上、専用のグラフィックスプロセッサを使用した場合では250倍以上の高速化を実現し、わずか数分の一秒で損傷の全容を把握できるシステムを実現しました。

チームが取り組んだ核心的な課題は、現実の世界では完璧なデータを得ることが極めて稀であるということです。構造物のあらゆる地点にセンサーを設置することはできず、手元にあるのはごくわずかなデータだけです。従来のコンピュータモデルは、機能するために材料の完全で密なマップを必要とするため、非常に時間がかかります。ハンフェング・ザイとジシェン・チャンが率いるスタンフォードのチームは、情報の空白を埋めることを学習するニューラルネットワークを構築しました。彼らは、材料が壊れていく何千ものシミュレーション例をコンピュータに読み込ませ、亀裂のパターンが時間の経過とともにどのように進化するかを学習させました。ネットワークは、少数の疎な測定値と、完全で複雑な損傷形状との間にある隠れたつながりを認識することを学習したのです。これは単に次のステップを孤立して推測するのではなく、材料の過去10ステップの履歴を記憶することで、亀裂が移動する際の方向と勢いを理解することができるのです。

研究において、研究者たちはAIに対し、張力を受けた1メートル四方の材料の破壊を予測するよう求めました。彼らはネットワークに対し、粗いグリッドによる変位データ（つまり、材料がどのように動いたかを示す低解解像度のスナップショット）のみを提供し、実際の損傷パターンは隠しておきました。ネットワークは、履歴とそれらのわずかな手がかりに基づいて、高解像度の亀裂の画像と応力場を推論しなければなりませんでした。システムは、亀裂が辿った主要な経路、枝分かれの仕方、そして材料がどのように引き伸ばされたかを再現することに成功しました。その予測は、低速だが高忠実度なシミュレーションと驚くほど近く、合流や分裂を繰り返す亀裂の複雑なダンスをも捉えていました。AIがわずかに苦戦したのは、応力が最も急激に変化する亀裂の先端部分と、時間の経過とともに小さな誤差が蓄積していくシミュレーションの極めて後半段階においてのみでした。しかし、構造物の大部分において、AIが見せた損傷の様子は、高価で低速な計算結果とほぼ同一でした。

最も驚くべき発見の一つは、このシステムが再学習なしに異なるスケールで動作できる能力でした。AIはもともと256×256のデジタルグリッドで訓練されていました。その後、研究者たちは、より細かい512×512のグリッド、つまり解像度と使用されるセンサーの数を実質的に倍増させたグリッドで動作するよう求めました。新たなトレーニングや調整を行うことなく、ネットワークはこのより細かいレベルへと知識を転移させることに成功しました。個々の点がより密接していても、ネットワークは損傷の正しい全体的な形状と、材料がどのように破壊されるかという一般的な傾向を維持しました。これは、システムが単に訓練中に見た特定のパターンを暗記したのではなく、亀裂が成長する根本的なルールを学習したことを示唆しています。この手法は、センサーの密度が変化する可能性がある実世界のアプリケーションにおいて極めて重要な特徴である、異なる詳細レベルを扱うための堅牢性を備えていることを証明しました。

また、研究ではこの特定のタイプのニューラルネットワーク・アーキテクチャが最善の選択であるかどうかについても慎重に検証されました。研究者たちは、複雑な物理法則を扱うことで有名ないくつかの他の機械学習デザインと比較を行いました。その結果、他の手法も機能し得るものの、学習に時間がかかるか、あるいは亀裂の空間的な詳細を捉える精度が劣ることが判明しました。採用されたデザインは、形状を見ることに長けた「2次元畳み込み層」と、シーケンスを記憶することに長けた「リカレント層」を組み合わせたもので、速度と精度の間で最良のバランスを実現しました。これは、亀裂の空間的なパターンを処理しながら、亀裂がどのように動いたかという記憶を保持することができ、他のテストされたアーキテクチャでは効果的に再現できなかった組み合わせでした。

この研究の意義は、構造物の健全性モニタリング（構造ヘルスモニタリング）において非常に重要です。かつて、エンジニアは、安全性のための「速いが大まかな推定」か、あるいは「緊急時には間に合わないほど遅いが精密な計算」かのどちらかを選択せざるを得ませんでした。この新手法は、高精度な詳細情報をほぼ瞬時に利用できるという中間的な選択肢を提供します。各ステップで疎な測定値を同化させることで、このシステムはリアルタイムの出来事に即応できる代理物として機能します。これは基礎となる物理学を置き換えるものではなく、むしろ同じ答えへと至る効率的なショートカットを学習しているのです。研究者らは、システムは完璧ではなく、非常に長い期間にわたってわずかなドリフト（誤差の蓄積）が生じる可能性があるとしつつも、速度が不可欠な設計スクリーニングや構造物の監視において強力なツールになると述べています。わずかなデータポイントから壊れゆく物体の全視野を再構築する能力は、かつては計算上のボトルネックであったものを、実用的なリアルタイム機能へと変貌させたのです。