テクニカルサマリー：Function+Data Flowによるリアルタイム・デジタルツイン・インスタンスの構築

1. 問題提起

デジタルツイン（DT）は、物理システムのリアルタイムかつ高忠実な表現を生成するために、人工知能（AI）および機械学習（ML）パイプラインへの依存度を高めている。これらのパイプラインのエンジニアリング、特に高速DT学習（Φ2）（モデル次数低減）およびDTインスタンス化（Φ3）（データ同化）のフェーズは、依然として多分にアドホック（場当たり的）である。現在の課題には以下が含まれる：

• 専用ツールの欠如： 既存のツール（Simulink、KNOMA、MLOpsプラットフォームなど）は、MLモデルを暗黙的なコンポーネントとして扱うことが多く、DTに求められる特定のハイブリッドモデリング（物理ベースのシミュレーションとデータ駆動型モデルの組み合わせ）をネイティブにサポートしていない。
• 再利用性と検証： パイプラインの指定、検証、再利用が困難である。標準的なデータフロー言語は、関数を明示的な「第一級オブジェクト」としてではなく、暗黙的な出力として扱うことが多いため、学習されたモデルを明示的に構成、操作、再利用することが困難である。
• 反復の複雑性： 標準的なビジュアルワークフロー環境は、制御フローとデータフローを複雑でメンテナンスが困難な形で結合させることなく、反復プロセス（例：二重学習や残差学習）を表現することに苦慮する場合が多い。

2. 手法

著者らは、Function+Data Flow (FDF) と呼ばれる視覚的なドメイン固有言語（DSL）と、その実装であるツール DesCartes Builder を提案している。

2.1 Function+Data Flow (FDF)

FDFは、関数（MLモデル）を第一級オブジェクト（first-class citizens）として扱うことで、標準的なデータフローの限界を解決する。

• デュアルポートタイプ： データポートのみを持つ標準的なデータフローとは異なり、FDFは2つの明示的なポートタイプを定義する：
  • データポート（黒）： データバッチの送受信を行う。
  • 関数ポート（赤）： 学習された関数（モデル）の送受信を行う。
• プリミティブボックス： この言語は、DTエンジニアリングのタスクに対応するために、3つのコアボックスタイプを利用する：
  • Processor（プロセッサ）： データ処理および学習された関数の呼び出しを行う。
  • Coder（コーダー）： 次元削減を行うための教師なし学習（例：PCA）を行う。
  • Trainer（トレーナー）： サロゲートモデルを学習するための教師あり学習（例：ニューラルネットワーク）を行う。
• 暗黙的タイピング： F構えとして、FDFは構造的な暗黙的タイピングを採用している。型は、明示的な宣言ではなく、パイプラインのグラフとボックスのセマンティクスに基づいて推論される。これにより、システムは設計時に接続ミス（例：関数をデータポートに接続する）を検出でき、ユーザーに手動の型定義の負担を強いることなく、構造的な正当性を保証できる。

2.2 DesCartes Builder

DesCartes Builderは、FDFを実装した統合モデリング環境（C++フロントエンド、Python/Kedroバックエンド）である。以下の機能を提供する：

• FDFボックスを用いたパイプライン構築のためのビジュアルキャンバス。
• FDF仕様からの自動コード生成。
• モデルの学習および検証のための実行エンジン。
• 結果の可視化および合成されたモデルの検証のための組み込みサポート。

2.3 実証的ユーザー調査

FDFおよびDesCartes Builderの有効性を評価するため、著者らはシンガポールにおいて25名の参加者（研究者および博士課程の学生）を対象とした対照実験によるユーザー調査を実施した。

• タスク： 参加者は、材料歪み予測のためのリアルタイムDTプロトタイプ（次元削減とサロゲートモデリングを含むユースケース）を実装した。
• 指標： ユーザビリティはシステムユーザビリティスケール（SUS）を用いて測定され、機能の妥当性はリッカート尺度による評価と定性的フィードバックを通じて評価された。

2.4 H-FDF 拡張

標準的なFDFが厳密に非循環的なパイプラインのみをサポートするという制限に対処するため、著者らは H-FDF (Hierarchical Function+Data Flow) を提案している。

• Module Box（モジュールボックス）： サブパイプラインをカプセル化する新しい Module ボックスを導入する。
• 反復実行： モジュールは、停止条件が満たされるまで内部的な反復を行うように定義できる。
• グローバルな非循環性： モジュールは内部で反復を行うことができるが、グローバルなパイプラインは非循環的であり、ワークフローの分析と実行の効率性を維持する。
• 明示的なフィードバック： 反復は、モジュール定義内の出力ポートと入力ポート間の明示的なフィードバックフローを介して管理され、制御フローとデータフローを分離する。

3. 主な貢献

1. FDF DSL： 関数を第一級オブジェクトとして明示的に表現し、DTパイプラインにおけるMLモデルの構成と再利用を可能にする視覚的言語。
2. DesCartes Builder： MLベースのDTの合成、実行、および検証をサポートするFDFのオープンソース実装。
3. 実証的評価： DesCartes Builderが良好なユーザビリティ（中央値 SUS: 72.5）を達成しており、初期開発段階であるにもかかわらず、特にドメインエキスパートにとって効果的であることを示すユーザー調査。
4. H-FDF 拡張： 既存の視覚的ワークフローツールの主要な欠陥に対処しながら、複雑で反復的なパイプライン（例：二重学習）をサポートする、形式的なFDFの拡張。

4. 結果

• ユーザビリティ： 調査の結果、平均SUSスコアは 68.9（中央値: 72.5）であった。このスコアは、研究用プロトタイプであるにもかかわらず、Excel (56.5) や UPPAAL (61.7) といった確立されたツールを超え、Simulink (76.4) に匹敵する。
• ターゲット層： 本ツールは技術的専門知識を持つ参加者の間で最も高いパフォーマンスを示した（平均SUS: 72.8）。これは、意図された対象であるドメインエキスパートに対して効果的に機能していることを示唆している。
• 機能の妥当性： 89%の参加者がキャンバスを直感的であると感じ、85%が結果の可視化に満足した。
• 改善領域：
  • 学習曲線： 「学習可能性」のサブスコアは低く（58.0）、特にモデル駆動工学（MDE）の概念に不慣れなユーザーにとって、初期の学習曲線が急峻であることを示した。
  • ドキュメンテーション： ユーザーは、より多くの組み込みツールチップやチュートリアルを求めた。
  • 診断機能： 警告メッセージに関するフィードバックは二極化しており、ユーザーはより具体的な診断提案や実行時の検査機能を求めている。
• H-FDF の有用性： 動的システムの学習に関する「二重学習」のケーススタディにおいて、H-FDFの拡張性が示された。これにより、KNIMEのようなツールでは複雑で結合されたループ構造を必要とするタスクにおいて、モデルを共帰帰的に効率的に組み合わせることが可能となる。

5. 意義と主張

本論文は、統合されたモデル駆動型プラットフォームが、AIベースのデジタルツイン・エンジニアリングを規律あるモデリングの実践へと変革するための有望な方向性であると主張している。

• アクセシビリティ： 複雑なMLパイプラインの詳細を、関数を認識する視覚的なDSLへと抽象化することで、DesCartes Builderは、深いプログラミングの専門知識を持たない可能性のあるドメインエキスパートにとって、DT開発をより身近なものにする。
• 信頼性： 暗黙的タイピングシステムは、設計時に構造的検証を提供し、パイプライン指定におけるエラーを軽減する。
• モジュール性： H-FDF 拡張により、全体のワークフローの明快さを損なうことなく、複雑で反復的なパイプライン（二重学習など）の形式的な指定が可能となり、既存の視覚的ワークフローツールの特定の限界を克服している。

著者らは、現在のツールは高品質な研究用プロトタイプであるが、今後の課題は、コンテキストに応じたドキュメンテーション、実行時検査、および生産レベルのDTエンジニアリングをサポートするためのH-FDFの完全な実装を通じて、ユーザーエクスペリエンスを強化することであると結論づけている。