AIBR プレミアム
拓海先生、最近部下から「AIで設計を最適化できる」と聞きまして、当社の圧縮機設計にも使えると聞きましたが、何が変わるのでしょうか。
素晴らしい着眼点ですね！結論を先に言いますと、この手法は設計に要する試行錯誤の時間と計算コストを大幅に減らしつつ、実運用に近い性能評価ができるようにするんですよ。
要するにコストが下がって、良い設計が早く見つかるということですか。ですが、データが少ないという話も聞きます。現場ではどうやって対応するのですか。
大丈夫、一緒にやれば必ずできますよ。論文では内部の熱力学ベースのシミュレータと、Gaussian Process (GP) — ガウス過程を使った代替モデルを組み合わせ、能動学習 Active Learning (AL) — 能動学習の戦略でデータ取得を最小限に抑えています。
それは現場に合いそうですね。しかし、導入費用対効果が心配です。初期投資が高くて現場が疲弊するのではと恐れています。
良い懸念です。要点を3つにまとめますよ。1) まず初期は既存シミュレータを活用してデータを作り、実機試験は限定する。2) 次にGP代替モデルで計算を高速化し、設計探索を短縮する。3) 最後に能動学習で本当に必要な試験だけを選ぶ。これで投資対効果が改善できますよ。
これって要するに、社内にある計算モデルを活用して、余計な試験を省きつつも性能保証を維持するということですか。
その通りですよ。さらに言うと、GPは不確実性も出してくれるため、どの設計候補が本当に追加試験を必要とするかを教えてくれるんです。無駄な試験で時間と金を使わなくて済みますよ。
現場の計測誤差や設計空間の断片化も問題になりやすいと聞きますが、その点はどう対処するんでしょうか。
良い指摘ですね。不確実性を評価して安全側に設計する仕組みと、ストリーミング型で現場データを継続的に取り込む仕組みを組み合わせています。つまり、設計空間の穴を見つけてそこだけ補完する運用です。
現場導入の優先順位はどのように決めればいいですか。小さな改善を積み重ねるべきか、一気にやるべきか悩んでいます。
おすすめは段階的導入です。まずは既存のシミュレータと少量の実データでプロトタイプを作り、ROIを短期で示す。次にその実績をもとに現場拡大を行う。小さく試して拡大するのが現実的ですよ。
分かりました。これまでの話をまとめますと、社内のシミュレーションを活用しつつ、GPで計算を速め、能動学習で試験を最小化する。段階的に導入してROIを確認する、という理解で合っていますか。ありがとうございました、拓海先生。
