From RANS Prediction to Hydrofoil Optimization: A Benchmark of Neural Surrogates

ハイドロフォイル（ボートを水面から浮かせて抵抗を減らすための、翼のような構造）の設計は、終わりのない試行錯誤の連続である。完璧な形状を見つけ出すために、エンジニアは曲率、厚み、角度を変えながら、何千ものバリエーションをテストしなければならない。新しい形状ごとに、物体周囲を流れる水の物理現象を解く複雑なコンピュータ・シミュレーションを実行する必要がある。これらのシミュレーションは極めて正確だが、非常に時間がかかる。一度のテストを実行するだけで、強力なコンピュータを用いても数時間を要することもある。このため、可能な設計の全範囲を探索することは、多くの場合、コストと時間がかかりすぎる。近年、科学者たちは、人工知能をショートカットとして機能させることで、このプロセスを加速させようと試みてきた。物理方程式を毎回ゼロから解く代わりに、これらのAIモデルは、過去に見たパターンに基づいて、水の流れとそれによって生じる力を予測することを学習する。これらの「ニューラル・サロゲート（神経的代用モデル）」が、数時間ではなく数秒で最適な設計を見つけ出してくれることが期待されているのである。

しかし、独立した研究者であるアアラヴ・ディクシットによって発表された新しい研究は、現在私たちがこれらのAIによるショートカットを評価する方法における決定的な欠陥を明らかにしている。長年、どのAIモデルが優れているかを判断する標準的な方法は、そのモデルが予測した水圧が、低速だが高精度なコンピュータ・シブレーションとどれほど一致しているかを確認することであった。もしAIが圧力マップを正しく捉えていれば、それは成功と見なされてきた。しかし、本論文は、圧力マップを正しく再現できることが、必ずしもエンジニアが最高のボートの翼を見つける助けになることを意味するわけではないと主張している。設計ツールの真のテストは、単にマップをどれだけ上手く模倣するかではなく、それが低速だが信頼できる手法と同じ「勝者の設計」へと導いてくれるかどうかにある。これを確認するため、研究者は4種類の異なるAIモデルを用いた厳格な直接対決を設定し、それらすべてに同じ設計問題を解かせた上で、最終的な回答を最新の高精度シミュレーションで検証した。

この研究は、曲率や厚みを記述する単純な数値によって定義される、NACAプロファイルとして知られる標準的な形状に基づいた特定のハイドロフォイルのセットに焦点を当てている。研究者は、異なる速度や角度におけるこれらのフォイル上の水の流れに関する381件の詳細なコンピュータ・シミュレーションのデータベースを作成した。このデータから、流れと揚力および抗力の予測を行うために、4つの異なる系統のニューラルネットワークが訓練された。第一のタイプである畳み込みニューラルネットワークは、人間の目が地図をスキャンするように、流れの中の局所的なパターンを探す。第二のフーリエ・ニューラル・オペレーターは、流れをグローバルな波へと分解することで分析する。第三のディープ・オペレーター・ネットワークは、形状の記述と流れの条件の記述を分離する。第四の物理情報ニューラルネットワークは、流体の運動に関する基本法則によって制約されており、推測する際にも物理のルールを遵守するように強制される。

訓練された後、これらのモデルには単一のケースを予測させるだけでなく、最高のハイドロフォイルの形状を見つけ出すという任務が与えられた。各モデルには同じ開始点と、設計を改善するための40回の試行という厳格な制限が課された。目標は、揚抗比（揚力と抗力の比）を最大化することであり、本質的にはボートをより少ない労力でより速く走らせることである。極めて重要な点は、最適化ループが完全にAIの予測上で行われたことである。AIがどのように振る舞うかを見るために、低速だが高精度なコンピュータは探索中、排除されていた。AIが最良の設計を選択した後、研究者はその特定の形状に対して最新の高精度シミュレーションを実行し、実際の物理学が何を語るかを確認した。この最終チェックは、低速なコンピュータ自体が最適化を行うベースラインと比較された。これが、到達しうる最善の答えを示すゴールドスタンダードである。

結果は、精度と有用性の間の驚くべき乖離を示した。生の予測誤差という観点では、ディープ・オペレーター・ネットワークが明確な勝者であった。このモデルは、未知のテストケースに対して圧力、揚力、抗力を最も高い精度で予測し、次いで物理情報ネットワークが僅差で続いた。物理情報モデルは最も高速でもあり、従来のシミュレーションと比較して約665倍の高速化を実現した。しかし、これらのモデルが実際に新しいフォイルを設計するために使用されると、状況は一変した。ディープ・オペレーター・ネットワークと物理情報ネットワークは、どちらも非常に優れた性能を持つ設計を見出し、揚抗比36から37を達成した。対照的に、局所的なパターンを探すモデルは著しく苦戦し、はるかに効率の低い設計を見出した。グローバルな波を分析するモデルは安定していたものの、一貫して他のモデルほど優れた設計を選択できなかった。

おそらく最も重要な発見は、これらのAIモデルの性能が一貫していなかったことである。研究者が、わずかに異なる開始条件を用いて同じ最適化プロセスを複数回実行したところ、最終的な設計には差異が生じた。ディープ・オペラー・ネットワークと物理情報ネットワークは、実行ごとに異なる勝者を生み出したが、局所パターンモデルは予測においても設計の選択においても不安定であった。さらに、本研究は検証プロセス自体に潜む限界を浮き彫りにした。たとえAIが優れた設計を見出したとしても、高精度シミュレーションを用いた最終チェックでは、結果がコンピュータ・グリッドの解像度に敏感であることが示された。特に抗力については、シミュレーションのグリッドを細かくすると最大26パーセント変化しており、AIを検証するために用いられる「真実」そのものにも不確実性が存在することを示唆していた。

この研究は、優れた予測から優れた設計への道が、決して単純なものではないことを示している。あるモデルが翼のあらゆる地点における圧力を推測することに長けていたとしても、エンジニアを最適な形状へと導くことに失敗する場合がある。研究は、科学的機械学習の分野は、単純な誤差指標を超えた議論を行う必要があると結論づけている。人工知能とエンジニアリングの間の溝を真に埋めるためには、これらのツールを、それらが生成する設計の質や、異なる条件下での設計の堅牢性に基づいて評価しなければならない。最高のAIとは、必ずしも最も正確な地図を描くものではなく、最も確実に最良の目的地へと導いてくれるもののことである。