高速かつ信頼性の高い形状最適化のための不確実性を考慮したデータに基づく手法

TL;DR（結論）

航空機設計におけるデータ駆動型最適化（DBO）は、学習済みモデルを用いて高速な評価を可能にするが、学習データの範囲外の形状に対してモデルが「過信」による楽観的な予測誤差を犯し、信頼性の低い設計結果を導くという重大な課題があった。 本研究は、予測値と共にその不確実性を算出する確率的エンコーダー・デコーダー（GS-ED）を導入し、不確実性が高い領域のサンプルにペナルティを課す「不確実性を考慮したデータ駆動型最適化（UA-DBO）」フレームワークを新たに提案した。 翼型の多点最適化に適用した結果、提案手法は予測誤差を大幅に抑制しつつ、膨大な計算時間を要するフルCFDシミュレーションに匹敵する空力性能の向上を、極めて短時間かつ高い信頼性で達成することに成功した。

なぜこの問題か

航空機の形状設計において、航空力学的な性能を最大化することは、燃費の向上や環境負荷の低減という現代の航空産業が直面する最重要課題を解決するために不可欠である。しかし、従来の数値流体力学（CFD）に基づく最適化プロセスは、一回の評価に多大な計算リソースと時間を要するため、設計の反復回数が制限されるという問題があった。この課題を解決するために、事前に大量のデータで学習させた代理モデル（サロゲートモデル）を最適化ループ内で活用する「データ駆動型最適化（DBO）」が注目されている。DBOは、最適化の実行中に新たなCFDシミュレーションを必要とせず、オフラインで高速に性能を予測できるため、特に複数の飛行条件を同時に考慮する多点最適化において圧倒的な計算効率を実現する。 しかし、従来のDBOには「学習データベースの品質と範囲に完全に依存する」という致命的な信頼性の課題が存在する。最適化の過程で、オプティマイザが学習データの分布から外れた未知の形状（アウト・オブ・ディストリビューション）を探索した場合、モデルは物理的に不自然な形状に対しても「非常に高性能である」と誤った予測を出力することがある。…

核心：何を提案したのか

本研究は、サロゲートモデルの不確実性を監視し、それを最小化するように最適化を制御する「不確実性を考慮したデータ駆動型最適化（UA-DBO）」フレームワークを提案した。このフレームワークの核心は、最適化の目的関数にモデルの確信度（信頼性）を明示的に組み込んだことにある。これにより、オプティマイザは性能の向上と、信頼性の低い予測に伴うリスクのバランスを自動的に取ることが可能になる。これは、システムの不確実性を外生的な乱れとして扱うロバスト最適化の考え方に着想を得ているが、本手法では不確実性の源泉を「学習済みモデルの近似誤差」として定義し、それを最適化の制約や目的の一部として扱う点が特徴である。 具体的には、従来の決定論的なマッピングを行うモデルに代わり、出力の信頼区間を予測できる確率的なモデルを導入した。…

続きはログイン/プランで閲覧できます。