コンピューター支援エンジニアリング（CAE）シミュレーションの結果を予測する機械学習モデルの訓練に必要なデータ量は、設計変数の数だけでは決まらない。Semiconductor Engineeringが2026年9月3日に掲載した記事によると、より重要なのは、モデルが学習しようとする応答の性質である。連続的で滑らかな応答は、しきい値を超えると変化する結果や、急速に振動する信号を含む結果よりも予測しやすい。
この記事は、車両衝突に関する4件の研究に基づいている。この種のワークフローでは、各設計実験が完全な陽解法衝突シミュレーションの実行に相当する。そのため、新しい設計を数時間ではなく数秒で評価できるモデルに到達する前の段階では、訓練データセットの構築が最も高コストな部分となる。
変数の数だけでは十分な指標にならない
2件の研究を比較すると、データセットの規模は設計変数の数に直接比例しないことが分かる。電気自動車のサイドシル構造に関する研究では、25回の実験で構成された乗員安全性研究の4倍の実験数が必要だった。前者が、2枚の板の厚さとそのうち1枚の位置を含む、より単純な表現を用いていたのに対し、乗員研究では、ダミーとシートベルトの摩擦、ベルトセンサーのタイミング、スリップリングの位置など、拘束システムの複数の変数を変更していたにもかかわらずである。
また、記事はモデルの規模や荷重状態の厳しさと、必要な実験数との間にも直接的な関係を見いだしていない。決定的な要因は、同じ100回の実験から成るデータセットと、同じ3つの設計変数を用いて予測器を訓練したときに現れた。シル構造の質量予測では予測能力スコアが0.98に達した一方、損傷したバッテリーセル数の予測では0.64だった。
応答の性質が学習の難しさを決める
この差の説明は物理に関係している。質量は板厚の影響を受ける滑らかでほぼ単調な応答である。一方、損傷したセル数は、内部短絡を引き起こす特定の応力しきい値を超えた結果として得られる整数値である。小さな幾何学的変化によって、あるセルが非損傷状態から損傷状態へ移る場合もあれば、移らない場合もある。そのため、モデルは多数の分離した境界の位置を学習しなければならない。
このパターンは、60回の実験で構成された前面衝突研究でも繰り返された。有限要素（FE）解析と比較した侵入位置の予測誤差は0.9%から12.6%だったのに対し、シート取付点における加速度の予測誤差は16.8%に達した。記事はこの違いについて、侵入量がより滑らかな変位である一方、加速度は変位の2階微分であり、高周波成分を含むためだと説明している。
出力が豊富でも、必ずしもデータが多く必要とは限らない
前面衝突研究は、直感に反する可能性のある別の結果も示している。基本値用の予測器には60回すべての実験が必要だったが、2次元曲線と3次元フィールド結果の予測器は20回の実験だけで訓練された。これらのフィールドには、各時間ステップにおける、板厚方向の3つの積分点での変位と塑性ひずみが含まれる。
記事が挙げる可能性のある説明は、1回の実験が、単一の数値を扱う予測器と比べて、フィールド予測器に極めて多くの訓練データを与えるというものである。1回の実験では、足元位置における最大侵入量については1つの数値しか得られないが、同時にモデル全体およびすべての時間段階にわたる、相互に関連した空間フィールドが得られる。
実際の実験計画で何が変わるのか？
提案されている実務上のルールは、最も複雑な出力形式ではなく、最も滑らかでない応答に基づいてシミュレーション計画を設計することである。記事は、解計算の予算全体を確保する前に、パイロット段階を開始し、初期データを分析することを推奨している。
- 相関行列と散布図を調べ、各応答を動かしている変数を把握する。
- 0から1の尺度で線形および非線形の関係を捉える予測能力スコアを使用し、完全な予測器を訓練する前に応答の難しさを推定する。
- データ量と精度を結び付ける学習曲線を読み取り、さらに20回の実験を追加することに意味があるのか、それとも性能がすでに安定段階に達しているのかを確認する。
- 各予測を誤差限界と結び付ける。予測が報告された限界または固有の信頼区間を外れた場合は、信頼できる回答ではなく、新たな解計算を実行すべき兆候として扱う。
- 設計変数の重要度マップを使用して、影響の小さい変数への支出を減らし、実験を影響の大きい変数に振り向ける。
記事は、25回の実験によるキャンペーンと100回の実験によるキャンペーンの差が、陽解法計算時間と暦日数の4倍に相当する場合があると説明している。一方で、データを削減しすぎると検証に失敗し、手法への信頼を失うことになる。逆にデータを過剰に増やすと、学習曲線が不要だと示していた実験の費用まで負担することになる。
応用例では、予測器を応答曲面モデルとして使用し、500回の反復による焼きなまし法の最適化を数分で実行した。衝突指標の予測には数秒しかかからず、各反復で完全なシミュレーションを実行する必要はなかった。
certi.newsの見解
ここでの基本的な価値は、機械学習モデルがシミュレーションをなくすという約束ではない。むしろ、実験予算を配分するためのより良い基準を提供する点にある。入力の数や出力の豊富さよりも、物理的な目標の難しさの方が重要である。ただし、示された結果はスポンサー提供のブログ記事に基づくものであり、利用可能な本文内では完全な方法論の詳細を示さず、特定の研究を紹介している。そのため、データ量を選択するためのルールは、実験と検証の出発点として捉えるべきであり、独立した工学的検証や、信頼区間の外にあるケースの解計算に代わるものではない。