A Physics-Informed Hypoplasticity–Machine Learning Framework for Offshore Foundation Design: Comparative Insights from the German North Sea and the Peruvian Pacific Coast

あなたは、巨大な風力タービンの重みによって海底がどのように押しつぶされ、引き伸ばされ、そして揺れるのかを予測するよう、超スマートなロボットに教えようとしているところだと想像してください。長年、ドイツのエンジニアたちは、この予測を行うために「ハイプラスティシティ（非弾性塑性）」と呼ばれる、非常に厳格で数学的なルールブックを使用してきました。それは、たとえ作業の速度が速かろうが遅かろうが、生地の挙動を正確に把握しているマスターシェフのようなものです。しかし、このルールブックは非常に複雑であるため、コンピュータでの実行に時間がかかります。

ここで、機械学習（ML）が登場します。これはロボットの「パターン認識」の脳です。MLは結果を推測するのが非常に速いのですが、ただ推測させるだけでは、存在しない物理法則を作り出してしまう（例えば、柔らかくなるべき時に硬くなると予測するなど）可能性があります。

この論文は、「ハイブリッドなキッチン」を構築することについて書かれています。つまり、厳格なドイツのシェフ（ハイプラスティシティ）が、速いロボット（ML）に料理の仕方を教えるという仕組みです。これにより、ロボットは物理のルールを学びつつ、そのスピードを維持することができます。著者の一人であるパウル・リカルド・プルデンシオ・ガルベスらは、新しい土を掘りに海へ出向いたわけではありません。代わりに、彼らは探偵のように振る舞い、既存のドイツの研究から得られるすべての手がかりを集め、それをペルーの状況と比較しました。

大きな発見：コピーできるものと、書き直すべきもの

主な発見は、まるでビデオゲームを高性能なコンソールから携帯型デバイスに移し替えるようなものです。ゲームのコアエンジン（数学）はコピーできますが、新しい画面に合わせてグラフィックスや操作系を変更しなければなりません。

著者らは、ドイツのシステムの数学的な核（コア）――つまり、方程式が土壌の挙動をどのように記述し、ロボットが正しく学習しているかをどのようにチェックするか――は、そのままペルーへ直送できることを発見しました。それは、完璧なケーキを作るための同じレシピを持っていくようなものです。材料（数学）は同じなのです。

しかし、現地の材料は全く異なります。

• ドイツの土壌は、数千年にわたって形成された、高密度に詰まった氷河砂や硬い粘土のようなものです。
• ペルーの土壌は、風によって運ばれた（風成）あるいは川によって運ばれた（沖積）緩く空気を含んだ砂のようなもので、巨大な地震帯の真上に位置しています。

このため、本論文は、ドイツのロボットをそのままペルーの土壌にプラグインして、完璧に動作することを期待するという考えを明確に否定しています。著者らは、変更を加えることなくドイツのモデルを使用しようとすることは間違いであると主張しています。ロボットはペルーの砂で再学習する必要があり、さらに新しいスキル、すなわち地震と液状化（濡れた砂が液体のスープのようになる現象）に対処する方法を学ぶ必要があります。

彼らはどの程度確信しているのか？

著者らは、自らの結果を過大に宣伝しないよう、非常に慎重になっています。彼らは「私たちはペルーの問題を解決した！」と言っているのではありません。そうではなく、「私たちは確かな地図と道具のセットを持っているが、実際の旅はまだ始まっていない」と言っているのです。

• 証明／測定済み： ドイツのシステムはドイツの土壌に対して機能します。ハイブリッド・ロボットの背後にある数学は健全です。
• 示唆／提案： このシステムがペルーで機能する「可能性がある」という考えは、数学に基づいた強い示唆ですが、まだ実際のペルーのデータを用いてテストされたわけではありません。論文には「ペルーの条件におけるサイト固有の検証は、依然として未解決の研究課題である」と明記されています。
• シミュレーションのみ： 論文では、ロボットを訓練するためのステップ・バイ・ステップのレシピ（10分割交差検証を用い、95%信頼区間をチェックする方法）を記述していますが、彼らはこのレシピを新しい秘密のオフショア・データに対して実際に実行したわけではありません。彼らは、新しい実験の結果ではなく、使用されるべき「手法」を記述しているのです。

「もしも」のロードマップ

論文は、ペルーに向けた遊び心がありつつも真剣なロードマップを提示しています。

1. 脳を維持する： 同じドイツの数学と、同じロボットの検証方法を使用する。
2. 食事を変える： ロボットにドイツの氷河砂のデータを食べさせてはいけません。ペルーの海岸や河口デルタから新しいデータを収集する必要があります（CPTUや三軸試験などのツールを使用して）。
3. 新しいスキルを追加する： ロボットは地震について学ぶ必要があります。ドイツのシステムは地震をあまり気にしませんが、ペルーにとっては、それが最も重要なことです。著者らは、これに「液状化スクリーニング」を加えることを提案しています。

なぜこれが重要なのか

このように考えてみてください。ドイツは、滑らかで凍ったトラックの上を完璧に走るフェラーリを造りました。ペルーは、凹凸のある地震が発生しやすい土の道で車を走らせたいと考えています。単にフェラーリをそこに持ち込んで、うまくいくことを期待して走らせることはできません。しかし、フェラーリのエンジン（数学）を取り出し、適切なパーツ（現地の土壌データ）を集め、ドライバー（ロボット）に凹凸の扱い方を教えれば、そのエンジンを使って頑丈なトラックを造ることができるのです。

論文は、エンジンは準備できているものの、トラックはまだ完成していないと結論付けています。著者らは、この新しいハイブリッド・システムを用いて実際の風力ターミンの基礎を建設しようとする前に、不足しているペルーのデータを収集するという新しい調査段階が必要であることを、設計図と道具を提供しながら正直に伝えています。