流体インテリジェンス: AIが海のシミュレーション方法を再定義

人工知能（AI）は急速に私たちの世界を変革しています。繰り返し作業の自動化、ワークフローの最適化、意思決定の改善により、この技術は産業全体で効率と生産性の大幅な向上を約束します。 

この生産性と効率の向上により、AIは世界中の経済成長と発展に数兆ドルの貢献が見込まれています。 

AIはまた、驚異的な可能性を示しています。疾病や気候変動といった複雑な課題に取り組み、さまざまな分野でイノベーションを促進し、新しい製品、サービス、ビジネスモデルの創出を可能にしています。 

AIの興味深い応用例として、流体解析があります。機械では、潤滑油、冷却剤、燃料などの流体をテストし、潜在的な問題や故障を示す兆候を特定します。

これにより、タイムリーなメンテナンスと修理が可能となり、高額な故障やダウンタイムを防止できます。また、大規模な修理や交換の必要性を最小限に抑え、機械が最高の性能で稼働することを保証します。

長年にわたり、流体解析は非常に時間がかかり手間がかかっていました。しかし、AIの登場により、プロセス全体がよりシンプルで効率的、かつ正確になりました。 

結局のところ、AIと機械学習技術は膨大なデータセットを活用し、そこから学習して予測を行います。この技術は資産の全ライフサイクルにわたるデータセットを考慮し、複数の信号を同時に使用し、フィードバックを通じて適応することを学びます。 

しかし、流体解析は機械の油にとどまらず、沿岸・海洋工学においては、流体の挙動が海上構造物の設計、海岸線変化のモデリング、さらには波力・潮力エネルギーの活用において重要な役割を果たします。 

沿岸および海洋インテリジェンスの進化とAI

沿岸工学において、AIは堆積物輸送、海岸線の動態、設計最適化、沿岸モニタリング、気候レジリエンスといった課題に取り組むことで多くの改善をもたらしています。

この例は昨年後半に、香港城市大学の研究者が機械学習を活用して熱帯低気圧の境界層風場モデルの精度を向上させた際に見られました。

「私たち人間はこの境界層に住んでいるので、理解し正確にモデル化することは、嵐の予測と災害対策に不可欠です。」

– 著者 Qiusheng Li

この層の空気は陸地、海洋、そして表面レベルのすべてと相互作用するため、モデリングはかなり困難です。従来のアプローチは大量のデータを使用し、スーパーコンピュータで大規模な数値シミュレーションを実行しましたが、依然として不正確または不完全な予測になることが多いです。

最新の研究では、高度な物理情報を組み込んだ機械学習フレームワークを使用し、少量の実データで熱帯低気圧の風場の複雑な挙動（嵐の構造、強度、潜在的影響に関する情報）を捉えることができました。著者のFeng Huは次のように述べています：

「気候変動によりハリケーンがより頻繁かつ激しくなる中、我々のモデルは風場予測の精度を大幅に向上させる可能性があります。この進歩は天気予報とリスク評価を洗練させ、タイムリーな警報を提供し、沿岸コミュニティとインフラのレジリエンスを高めるのに役立ちます。」

同時期に、別の研究がAIサロゲートを導入し¹、河口における沿岸潮波の伝播を遡及・予測目的でシミュレートしました。このアプローチはシミュレーションを高速化し、物理ベースの制約を組み込んで不正確な結果を検出・修正します。

従来のROMSシミュレーションで12日間かかっていた予測時間をわずか22秒に短縮することで、この研究は海洋モデリングに貢献し、特にリアルタイムの災害対応における迅速な予測に対して、迅速・正確・物理的一貫性のある代替手段を提供します。

昨年初めに、研究チームはラグランジュ流体力学のニューラルモデリングの改善に取り組みました²。

それを基に、研究者は標準的なSPHソルバーの粘性、圧力、外力コンポーネントなどの要素を組み込んだGNNベースのシミュレータのトレーニングとロールアウト推論を強化しました。ニューラルSPH強化シミュレータはベースラインGNNよりも優れた性能を示し、これによりはるかに長いロールアウトとより良い物理モデリングが可能になりました。

流体シミュレーションにおけるMLベースのサロゲートモデルの進化

流体シミュレーションでは、粒子手法が一般的に用いられ、粒子が流体の流れの挙動をシミュレートします。広く使用されている例として、平滑粒子流体力学（SPH）、移動粒子半陰的法（MPS）、または非圧縮性SPHがあります。

しかし、これらの手法は処理能力、時間、コストを含む膨大な計算リソースを必要とします。 近年、設計、製造、開発から検証、運用、可視化に至るまで、エンジニアリングのすべての段階で実世界の流体をシミュレートする必要性が高まっており、計算時間の短縮が求められています。 

過去数年で、計算コストを抑えて流体力学を推定するMLベースのサロゲートモデルがいくつか導入されました。

これには、粒子法を機械学習で代替し、ラグランジュ流体シミュレーションの高速計算を実現することが含まれます。ラグランジュ流体シミュレーションは個々の流体粒子を追跡し、その軌跡と特性に焦点を当てます。

MLはラグランジュ流体シミュレーションを高速化できますが、従来の研究では多様な流体挙動に対するサロゲートモデルの汎化性能を検証できていませんでした。 

さらに、これらのモデルの多くは従来の計算流体力学（CFD）手法と同様にCFL条件下で検証されており、計算時間の大幅な短縮が制限されています。

さらに、初期の研究は精度よりもシミュレーション環境での流体様挙動の再現に焦点を当てていました。

そのため、後続の研究ではSPH向けサロゲートモデルが進展し、精度が徐々に向上しました。研究者は、SPHの結果をトレーニングデータとして使用し、深層ニューラルネットワーク（DNN）でラグランジュ流体解析を行う、またはグラフニューラルネットワーク（GNN）を導入してSPHデータから流体粒子の動きを学習するなど、さまざまな手法を用いました。

しかし、これらは圧力の推定を目的としておらず、圧力は流体力学と構造物との相互作用を理解する上で重要な要素です。

その結果、最近では非圧縮性流体の圧力に焦点を当てる傾向が生まれました。この目的のために、研究者はDNNを用いてMPSにおけるPPE（圧力ポアソン方程式）解法を高速化しました。また、MPSをトレーニングデータとして使用し、GNNを活用した流体グラフネットワーク（FGN）を導入しましたが、推定された圧力が実際の現象を再現したかは確認されていません。

これらの研究の多くは、異なる特徴設定が結果に与える影響を明らかにしていません。しかし、結果は特徴設定に依存する可能性が高く、どの特徴がサロゲートモデルにとって流体を再現する上で重要かを明らかにすることが重要です。

そこで、新たな研究がApplied Ocean Researchに掲載され³、より大きな時間ステップサイズやさまざまな流体現象に適用できる粒子ベースのサロゲートモデルを提示しました。

この研究では、グラフネットワークベースのシミュレータ（GNS）の3つの改良版を提示し、GNNがSPHデータから流体粒子の動きを学習させました。これには、圧力推定を行うGNS（GNS-P）、壁境界ノードを持つGNS（GNS-W）、そして両者を組み合わせたGNS（GNS-WP）が含まれます。 

研究では、圧力推定が流体の正確な予測に重要であることを示し、壁境界ノードが可動壁境界条件の管理に不可欠であることを検証しました。また、GNS-WPは、シミュレーション速度（時間ステップサイズ）がトレーニングデータの10倍でも、スロッシングをかなり正確に再現できることを示しました。

提案された手法（GNS-WP）は、スロッシングシナリオでトレーニングされたもので、研究によれば、静水圧、ダムブレイク、自由振動テストの3つの異なる問題に適用可能です。

クリックして、ヴィーナスフラワーバスケットが航空および流体力学をどのように再構築しているかをご覧ください。

より高速・よりスマート、かつスケーラブルなGNN駆動サロゲートモデル

計算時間を大幅に削減しながら精度を損なわない新しいMLベースの流体シミュレーションモデルは、大阪府立大学の研究者によって開発されました。この迅速かつ高精度な手法は、リアルタイムの海洋モニタリング、船舶設計、オフショア電力生成に活用できる可能性があります。

AI駆動のモデルは、流体力学分野でシミュレーションをシンプルかつ高速にすることで大きな注目を集めています。しかし、この技術には課題もあります。 

主任著者である大阪府立大学工学研究科助教の樋垣武文は次のように指摘しています:

「AIは特定の問題に対しては卓越した結果を提供できますが、異なる条件に適用するとしばしば苦戦します。」

そこで、チームはグラフニューラルネットワーク（GNN）という深層学習技術を用いて、常に高速かつ正確なツールを構築しました。

GNNは、グラフ構造データを処理・学習するニューラルネットワークアーキテクチャの一種です。グラフは、製品や人物などのエンティティであるノードと、それらの関係を表すエッジから構成されます。GNNはグラフ内の大規模で複雑な関係を解析します。

このニューラルネットワークは、ソーシャルネットワーク分析でパターンを理解し、相互作用に基づくユーザーの好みを予測したり、材料特性をモデル化・予測したり、潜在的な薬剤候補を特定し薬効を予測したりするために使用されます。

最新の研究では、ノードは流体粒子を、エッジはそれら粒子間の相互作用を表します。 

研究チームはまず、高精度な流体計算に重要な要素を特定しました。さまざまなトレーニング条件を比較し、モデルが異なるシミュレーション速度や多様な流体運動にどれだけ適応できるかを評価しました。

チームは、結果がさまざまな流体挙動に対して強い汎化能力を示し、速度が大幅に向上し、処理に要する時間が大幅に削減されたことを確認しました。

彼らの手法は、CPU上で10倍、GPU上で200倍以上の速度で、MPSと同等またはそれ以上の精度を達成したと報告されています。また、強力なスロッシング流れのみでトレーニングしたにもかかわらず、GNS-WPは異なる壁境界でも静的・穏やかな流れを再現できたことが指摘されています。

「我々のモデルは、さまざまな流体シナリオにおいて、従来の粒子ベースシミュレーションと同等、あるいはそれ以上の精度を保ちつつ、計算時間を約45分からわずか3分に短縮します。」

– 樋垣

この成果により、研究は効率と精度のバランスを取った高性能流体シミュレーションのスケーラブルで汎用的なソリューションを提供しています。さらに重要なのは、これらの改善が実験室にとどまらないことです。

樋垣は次のように述べています:

「より高速で精度の高い流体シミュレーションは、船舶やオフショアエネルギーシステムの設計プロセスを大幅に加速させることを意味します。また、リアルタイムの流体挙動解析を可能にし、海洋エネルギーシステムの効率最大化に貢献します。」

他の研究とは異なり、本研究は粒子ベースのサロゲートモデルの段階的な改善を詳細に示しており、さらなる開発に役立ちます。 

今後の研究では、研究者は物理的一貫性の不足、未知の圧力の管理、複雑かつ3次元問題へのモデル適用といった課題に取り組む計画です。 

提案手法は実世界の実験データから学習できる可能性があるため、研究チームはこの研究を基盤として、支配方程式が未知の複雑な流体挙動（例えば、連続性のない多相流）を再現することを目指しています。

革新的な企業

Huntington Ingalls Industries, Inc.

米海軍の主要な造船会社であるHuntington Ingalls Industries (HII ) は、船舶設計と性能テストの効率化を図るため、流体力学シミュレーションの改善に常に取り組んでいます。

同社は次世代のスマート防衛・情報システムを構築しており、クラウドコンピューティングとエッジデバイスの力を組み合わせ、カスタマイズされたソフトウェアで、人間とAIのシームレスなチームを将来の作戦の標準にしようとしています。

HIIでは、最先端のAIと機械学習アルゴリズムが開発・テスト・統合され、ミッションクリティカルなシステムやプラットフォームの最適化と高速化に活用されています。

同社の高度なMLアプリケーションは、無線周波数スペクトラム、画像の自動解析、サイバーデータ、音響環境、自然言語処理など、幅広い防衛ニーズを支援します。

HIIは深いドメイン知識とデータ知識を活用し、競争が激しい物流下でのミッションレジリエンス、作戦準備、艦隊維持のためのMLを構築しています。シミュレータベースの訓練の延長として、MLベースの作戦意思決定支援ツールの開発にも関与しています。

さらに、自律型海上プラットフォーム開発者として、HIIは大量の高度に混雑したデータに対して、トランスフォーマー型アーキテクチャを用いた深層学習（DL）AIを展開し、精密な信号検索を実現しています。

HIIはRFスペクトル信号、地理空間画像、自然言語メディアなど、異なるモダリティ間でデータを活用・融合し、精度を向上させています。また、DLとMLに基づく高度なNLP技術を用いて、情報の整理とグローバルミッションのための接続を支援しています。

HIIのAI搭載デジタルツインは、造船から艦隊維持に至るまでのテスト、検証、資源節約を可能にします。同社の高度な自律スイート「Odyssey」は、あらゆる車両をインテリジェントなロボットプラットフォームに変換し、マルチビークル協調自律、ヘルスモニタリング、センサーフュージョン、AI対応認識を実現します。 

このように、同社は最新技術を広範に活用して生産性を向上させ、プロセスを最適化しています。ただし、HIIはAIの固有の不確実性が運用効率の低下や競争上の損害につながる可能性があることも認識しています。特に、ツールが不十分である場合に顕著です。

財務面では、全領域防衛プロバイダーは時価総額7.25億ドルで、株価は執筆時点で184.95ドル（年初来2.13％下落）です。EPS（TTM）は13.96、P/E（TTM）比率は13.25、ROE（TTM）は12.56％です。配当利回りは2.92％と好調です。

2024年第4四半期の会社財務に関して、同社は報告し、売上高は30億ドルで、前年同四半期の32億ドルと比較して減少しました。この減少はすべてのセグメントでの出荷量低下によるものです。非GAAP営業利益も4Q23の3億3000万ドルから1億300万ドルへと減少し、これはニューポート・ニュース造船所の業績低下が要因です。 

Diluted earnings per share during the quarter were $3.15, while it had a backlog of $48.7 billion at the end of the year.

通年では、HIIの売上高は115億ドルで、2023年と比べて1％未満の微増でしたが、Ingalls造船とMission Technologiesの出荷量増加が要因です。希薄化調整後1株当たり利益は13.96ドルでした。 

営業活動による純キャッシュは3億9300万ドルで、フリーキャッシュフローは4000万ドルでしたが、前年度の9億7000万ドルと6億9200万ドルに比べ大幅に減少しました。

2024年、同社は重要な造船マイルストーンを達成したことも報告しました。これには、揚陸輸送ドック「Richard M. McCool Jr.（LPD 29）」とバージニア級潜水艦「New Jersey（SSN 796）」の納入が含まれます。一方、Mission Technologies部門は総契約額12億ドル超の受注を確保しました。

「COVID以前に契約された船舶の進捗を引き続き進めており、5,000億ドル超の新規案件を顧客と共に契約するべく尽力しています。Mission Technologiesは売上高成長と利益率拡大の強固な実績を継続しており、2025年は国家に奉仕する最も強力な船舶と全領域ソリューションを提供するというミッションに注力して臨みます。」

– CEO兼社長 Chris Kastner

結論

AI駆動の流体シミュレーションモデルは、長らく流体力学の分野を前進させてきました。しかし、最新のGNNを用いたAIモデルは、精度と効率のギャップを埋める高い可能性を示し、海事産業におけるリアルタイムアプリケーションを加速させます。

この技術は、船舶やオフショアインフラの設計・テストの加速、再生可能な海洋エネルギーシステムの最適化に有望であり、AIベースの流体シミュレーションモデルは、よりクリーンでスマートな海洋工学を実現し、繁栄する未来へと導くでしょう。