A physics-informed neural network surrogate for multi-band reflection-loss prediction of carbon-fiber-reinforced polymer / Ti-6Al-4V ELI radar absorbing materials for UAV airframe integration

技術要約：CFRP/Ti-6Al-4V ELI RAMのマルチバンド反射損失予測のための物理情報に基づいたニューラルネットワーク・サロゲート

問題提起
無人航空機（UAV）用の電波吸収材料（RAM）の設計は、通常、転送行列法（TMM）、時間領域差分法（FDTD）、またはモーメント法（MoM）などの解析的または数値的なソルバーに依存している。これらは正確ではあるものの、複数の周波数帯、入射角、および材料厚さを含む広大な設計空間を探索する場合、計算負荷が非常に高くなる。これは、低観測性（ステルス性）と構造的完全性および質量制約のバランスを取る必要があるUAVにおいて、特に重要となる。具体的には、炭素繊維強化ポリマー（CFRP）複合材を航空宇宙グレードのTi-6Al-4V ELIチタンで裏打ちした構造は、荷重支持構造と電磁吸収の両方の機能を担うが、マルチバンド性能を実現するための厚さの最適化には、従来のソルバーでは効率的に提供できない迅速かつ反復的な評価が必要となる。

手法
著者は、2–18 GHzの周波数帯および0–80°の横電界（TE）入射角における、金属裏打ちCFRP吸収体の反射損失（RL）を予測するための、物理情報に基づいたニューラルネットワーク（PINN）サロゲートモデルを提案する。

1. データ生成： TMMのカスタムPython実装を用いて、6,400個のサンプルからなる参照データセットを生成した。入力パラメータには、周波数（$f$）、入射角（$\theta$）、および吸収体厚さ（$d$）が含まれる。材料システムは、Ti-6Al-4V ELI基材を表す完全電気導体（PEC）上の均質マグネト誘電体CFRP層としてモデル化された。
2. ネットワークアーキテクチャ： PINNは、フーリエ特徴埋め込み層に続く、各隠れ層に256個のニューロンを持つ6層の多層パーセプトロン（MLP）と双曲線正接（tanh）活性化関数で構成される。
   • スペクトルバイアスの緩和： 標準的なMLPが低周波成分を先に学習してしまう傾向（スペクトラルバイアス）に対処するため、入力空間はランダムなフーリエ特徴埋め込み（ガウス投影行列を使用）によってリフトアップされる。
   • 物理的正規化： 損失関数には、以下の明示的な物理ベースの制約が含まれる：
     • 単調性： 吸収領域において、周波数の増加とともに反射損失が改善（より負の値に）することを強制する。
       挙動。
     • 角度境界： TE偏波における、入射角の増加に伴う吸収の単調な劣化を強制する。
     • 滑らかさ： 滑らかな勾配を確保するためのチホノフ正規化。
3. 学習： モデルは、単一のCPUスレッド上でコサインアニーリング学習率スケジューリングを用いて600エポックにわたりAdamオプティマイザで学習され、42秒で完了した。

主な貢献

• サロゲートの開発： 解析的なTMMのベースラインに対して、GPU加速を必要とせずにサブデシベル精度の精度を達成するPINNサロゲートの開発。
• アーキテクチャの革新： 物理的に妥当な予測を全パラメータ空間にわたって保証するために、ランダムフーリエ特徴埋め込みと、特定の物理ベースの正規化（単調性および角度制約）を統合したこと。
• マルチバンド最適化： 学習済みサロゲートを利用して、Sバンド、Xバンド、およびKuバンドにわたる厚さの迅速かつ徹底的な最適化を行い、四分波共振の最適値（quarter-wave resonance optima）を特定したこと。
• 構造統合評価： 中高度長時間滞空（MALE）型UAVの機体に、最適化されたCFRP/Ti-6Al-4V ELI二層構造を統合するために必要な質量オーバーヘッドの定量的評価。

結果

• 精度： サロゲートモデルは、TMMのリファレンスに対して0.22 dBの平方根平均二乗誤差（RMSE）および0.12 dBの平均絶対誤差（MAE）を達成した。評価ポイントの95%が0.5 dBの誤差範囲内に収まった。最大の偏差は、吸収が本質的に弱い浅角入射領域（$\theta > 75^\circ$）でのみ発生した。
• 効率性： 学習プロセスは単一のCPUで42秒間で行われた。推論速度は直接的なTMM評価と比較して約50倍高速であり、迅速なパラメトリック研究を可能にする。
• 最適化の結果： マルチバンドの厚さ最適化により、垂直入射における以下の四分波共振最適値が特定された：
  • Sバンド (2–4 GHz): 厚さ 3.9 mm ($RL = -4.64$ dB)。
  • Xバンド (8–12 GHz): 厚さ 1.9 mm ($RL = -8.93$ dB)。
  • Kuバンド (12–18 GHz): 厚さ 1.5 mm ($RL = -11.31$ dB)。
• 構造的影響： 代表的なMALE UAV（MQ-9A Reaper）において、Kuバンド最適化コーティング（1.5 mm）は約60.8 kgの質量を追加し、1.3%の質量オーバーヘッドをもたらす。より広いMALEクラスのエンベロープにおいては、オーバーヘッドは1.5%から8.5%の範囲となり、著者はこれをレーダー吸収型機体として許容可能であると考えている。

意義および主張
本論文は、結合された材料および構造のUAV設計のための、計算効率の高い経路を提示している。著者は、特定の単層問題については理論的には直接的な解析的最適化が可能であるが、提案されたサロゲートは、より広範なエンジニアリングアプリケーションに対して3つの明確な利点を提供すると主張している：

1. 微分可能性： 学習済みのネットワークはすべての入力に対して完全に微分可能であり、単一のバックプロパゲーションにより、感度（例：$\partial RL/\partial \theta$）の解析的な計算を可能にする。これは、勾配ベースの機体最適化ループにおいて不可欠である。
2. 拡張性： このアーキテクチャは、直接的な数値ソルバーでは遅すぎる複雑で解析的に困難な問題（例：傾斜多層吸収体や周波数依存の分散）へとスケールするように設計されている。
3. 逆設計能力： 一度学習すれば、ネットワークは逆クエリをサポートし、目標とする反射損失の仕様から、許容可能な材料または厚さの組み合わせへとマッピングすることができる。

本研究は、物理情報に基づいたアプローチが、標準的なハードウェア上でエンジニアリンググレードの精度（サブ0.5 dBの誤差）を達成できることを実証しており、「サロゲート・ファースト」の哲学を検証している。これは、ステルス性と構造性能を同時に統合する多領域設計最適化（MDO）フレームワークの基礎を提供するものである。