解釈可能なAIによる有限要素解析の進化：エジプトの英国大学にスポットライトを当てるイノベーター

私たちは最近、エジプトの英国大学（BUE）の著名な博士研究員であるシェリフ・サミー氏にインタビューし、Rescaleを使って新しいAI手法を探求する彼の研究について詳しく話を聞きました。サミー氏の研究は最近 Natureに掲載は、解釈可能な機械学習を応用して、エンジニアリング設計、特に複合材料における複雑な課題の解決に焦点を当てています。彼は、BUEのユニークなエンジニアリングプログラム、業界への影響、そしてRescaleが彼の高度なシミュレーションとAIモデルの学習を加速させる上で果たした役割について強調しました。このインタビューでは、材料工学におけるAI活用のトレンドの高まりと、計算ツールがエンジニアリング研究の未来をどのように形作っているかを垣間見ることができます。

まず、エジプト英国大学（BUE）について、またその教育と研究へのアプローチのユニークな点について教えてください。

その エジプト英国大学（BUE）工学部 グローバルに活躍できる、研究主導型の人材育成を目指し、競争力のある教育を提供することに尽力しています。私たちの核となる使命は、研究と産業の発展に大きく貢献できる人材を育成することです。

研究テーマ、方法論、コラボレーションについて詳しく教えていただけますか?

私の仕事は、高度な計算手法を用いて現実世界の構造設計の難問に取り組むことです。具体的には、エンジニアリングのための「解釈可能な」機械学習に焦点を当てています。強力なAIモデル（例えば、ますます人気が高まっているアンサンブルモデル）の中には、非常に高い精度を誇るものもありますが、それらは「ブラックボックス」のような性質を持つ場合があります。つまり、優れた予測はしてくれるものの、その予測に至る過程が示されないため、異なる設計変数間の関係性を理解するのが困難です。

説明可能性とは、これらのインテリジェントなアルゴリズムを透明化して、その根底にある原理と、それらの結論に至る経緯を理解できるようにすることです。私の仕事の大部分は、こうした理論的知識と業界の現状とのギャップを埋めることです。私たちは業界のリーダーたちとチームを組み、応用研究とデータ駆動型モデリングを用いて、彼らが直面する課題を直接解決しています。例えば、アラブ工業化機構（AOI）およびミスル商用車（MCV）と協力し、20kW GFRP風力タービンブレードの包括的なシミュレーションと製造設計の研究を行いました。私たちの作業には、運用時と極限風速の両方における高忠実度有限要素解析、材料特性評価、構造要件を満たしタワー設計の変更に対応するための複合材レイアップの最適化が含まれていました。この協力的なアプローチにより、私たちの研究は関連性を維持するだけでなく、現実世界のエンジニアリングと生産の成果に直接貢献することができます。

HPC と AI を複合材設計に適用することに重点を置いている理由と、この分野がエンジニアリングの世界で特に重要な理由について教えてください。

解釈可能性の課題を解決することは、複合材ボルト接合などの材料・部品エンジニアリング分野において特に重要です。複合材ボルト接合は、その優れた強度対重量比により、航空宇宙産業や自動車産業などの業界で急速に採用が進んでいます。しかし、これらの接合は複雑であり、既存の包括的な設計基準は不十分であるか、存在しない場合が多いのです。高性能コンピューティング（HPC）とAIは、複雑で高忠実度のシミュレーションを効率的に実行し、計算負荷の高い要求、多数の反復、そして多様な設計シナリオに対応して、妥当な時間枠内で正確な予測を得るために不可欠です。

私たちの研究は、記号回帰を用いてこれを克服することを目指しています。具体的には PySR (Python シンボリック回帰)は、高忠実度のシミュレーションデータから、明示的で解釈可能な方程式を導出します。これらの方程式は、複合構造の基礎となる物理と支配的な力学を明らかにします。このアプローチは、高い予測精度を提供するだけでなく、透明性も提供し、エンジニアが理解できるようにします。 現在も将来も、 ある設計が、ある特定の動作をする。この解釈可能性は、信頼性、検証、そして最終的には、特に故障メカニズムの理解が最重要となる安全性が極めて重要なアプリケーションにおいて、より堅牢で信頼性の高い設計を開発するために不可欠である。

これらの材料の進歩はさまざまな産業にどのように応用されているのでしょうか?

複合材料と繊維強化ポリマー（FRP）は、その優れた特性から、様々な業界で広く利用されています。航空宇宙分野では、軽量化に不可欠な役割を果たしており、エアバスA350 XWBやボーイング787ドリームライナーなどの航空機の構造部品や、LEAPエンジンに見られるようなエンジン部品にも用いられています。これらの部品は、多くの場合、複合ファスナーで固定されています。自動車業界では、性能と燃費向上のために複合材料を活用しており、BMW iシリーズ、BMW 7シリーズ、Audi R8 e-tronなどの高性能車のボディパネルやシャーシなどの部品に使用されています。海洋業界では、「FabHeli」のようなプロジェクトに見られるように、プロペラの設計にFRPが使用されているほか、配管継手、フランジ、ノズルプレート、バッキングリングなどの特殊製品にもFRPが使用されています。建設業界では、インフラプロジェクトにおいてこれらの材料が活用されており、例えば、ボルト接合でコンクリートスラブと一体化したFRP桁を用いた橋梁は、現代の橋梁建設におけるFRPの適用例を示しています。

AI へのアプローチ、特にデータの生成方法とモデルの検証方法、そして Rescale がこのプロセスにどのように適合するかについて説明してください。

私たちの手法は包括的で、実験試験、有限要素モデリング（FEM）、機械学習を統合しています。まず、ハイブリッドLジョイントを作製し、実験的に試験することで、損傷開始荷重を決定します。これらの物理試験は、実世界のデータを生成するために不可欠であり、さらに重要なことに、主に アバクスこの実験検証により、FEMシミュレーションの精度と信頼性が確保されます。検証プロセスでは、剥離の発生と進行を正確に捉えるためにペナルティ剛性係数を調整するための広範なシミュレーションが必要であり、RescaleのスケーラブルなHPCプラットフォームを使用することで、この作業は大幅に加速されました。

これらのFEAモデルは、検証されると、大規模で高品質なデータセットを生成するための強力なツールとなります。私たちは、実験計画法（DoE）アプローチを用いて設計空間を体系的に探索し、包括的なデータセットを作成します。ここでもRescaleが不可欠となります。複雑な有限要素シミュレーションの実行、特に大規模なデータセットの生成には、多大な計算能力とスケーラビリティが求められます。Rescaleを使用することで、これらのABAQUSジョブを効率的に実行し、計算ニーズをオンデマンドで拡張できます。どこからでもシミュレーションを実行できることと、Rescaleが私たちの学術目標とシームレスに統合されていることが相まって、データ生成プロセスが劇的に加速しました。

データを生成した後、 機能選択 関節性能に影響を与える主要なパラメータを特定します。機械学習モデルはデータセットの品質を評価し、PySR損失関数の選択を導きます。最後に、PySRを活用して、FEM生成データセットから解釈可能な設計方程式を導出します。RescaleはAIモデルのトレーニングもサポートし、これらの高度な解析に必要な計算基盤を提供します。

Rescale を導入する前、研究や一般的なエンジニアリング設計ワークフローでどのような課題に直面していましたか?

Rescale導入前、私たちのワークフローは、主に計算リソースとソフトウェア管理に関連するいくつかの重大なボトルネックに直面していました。膨大なデータセットに必要な大規模な有限要素シミュレーションをローカルマシン、あるいは小規模なクラスターで実行することは、非常に時間のかかる作業でした。そのため、検討できる設計バリエーションの数が制限され、研究サイクルが大幅に長期化していました。また、異なるソフトウェアライセンスの管理、各種ツール間の互換性の確保、ハードウェアの制限への対応といった課題もありました。各シミュレーション環境のセットアップと構成は煩雑で、貴重な時間がコアとなる研究ではなくIT関連のオーバーヘッドに費やされてしまうことがありました。つまり、本来の計算能力とその容易なアクセスが、私たちの研究の進捗を遅らせ、研究の範囲を限定する大きな制約となっていたのです。

Rescale はどのようにしてこれらの課題を克服し、研究を改善するのに役立ちましたか?

Rescaleは私たちにとってゲームチェンジャーでした。その主な影響は、スケーラビリティと効率性にあります。このプラットフォームは高性能コンピューティングリソースへのオンデマンドアクセスを提供できるため、数百、あるいは数千ものシミュレーションを並行して実行できるようになり、研究目標の達成にかかる時間を大幅に短縮しました。ペナルティ剛性の調整、検証、そしてトレーニングデータセットの生成のためのFEMシミュレーション数は500回以上、データセットを用いたMLモデルのトレーニングは約200回の試行です。以前は数週間から数ヶ月かかっていた作業が、今では数日で完了します。この驚異的な高速化により、はるかに広い設計空間を探索できるようになり、より堅牢で一般化された解釈可能な方程式を導き出すことができます。

計算能力そのものに加え、Rescaleの直感的な設計と既存ソフトウェアとの統合性は非常に貴重です。インフラのセットアップやソフトウェアの競合のトラブルシューティングに過度な時間を費やす必要がなくなりました。Rescaleチームによる協力的なサポートも素晴らしく、必要な時に的確なアドバイスを提供していただきました。強力な技術力と、ライセンスの互換性やコスト管理への配慮を含む学術的な使いやすさが組み合わさることで、計算オーバーヘッドへの負担を軽減し、科学的な課題に集中できるようになりました。これは、大幅な効率向上と研究成果の向上に直接つながります。

今後、材料科学やエンジニアリング設計、特に AI とシミュレーションに関連する分野ではどのようなトレンドが見られると予想されますか?

材料科学とエンジニアリングデザインの未来は、AIと高度なシミュレーションのより深い統合によって形作られることは間違いありません。AIが単なる分析ツールではなく、設計プロセスそのものに不可欠な要素となり、ジェネレーティブデザインや材料発見の加速を可能にするパラダイムへと私たちは移行しつつあります。私は、「デジタルツイン」の重要性がますます高まると予測しています。デジタルツインとは、高忠実度シミュレーションによって物理システムの仮想レプリカを作成し、現実世界のデータに基づいて継続的に最適化・更新するものです。

私たちの研究で実証されているように、解釈可能なAIの追求もますます重要になります。AIモデルが複雑化するにつれて、特に規制の厳しい業界では、その意思決定を理解することが極めて重要になります。さらに、高度な実験技術とデータ駆動型モデリングを組み合わせることで、様々なスケールにおける材料挙動に関するこれまでにない洞察が得られるでしょう。Rescaleのような高性能コンピューティング・プラットフォームは、これらのトレンドを支える基盤となり、次世代の設計・発見ワークフローに必要な大規模なシミュレーションとデータ処理を可能にします。

業務に HPC ソリューションを導入することを検討している他の学術研究者や高等教育研究者に、どのようなアドバイスをしますか?

私の主なアドバイスは、技術力と学術的な柔軟性のバランスが取れたプラットフォームを探すことです。純粋なパフォーマンスは確かに重要ですが、それだけが重要な要素ではありません。学術研究者にとって、ライセンスの互換性、コスト管理、導入の容易さといった側面も同様に重要です。学生や研究チームに法外なコストや学習曲線をもたらすことなく、計算ニーズを拡張できるソリューションが求められます。この点において、Rescaleは優れたソリューションを提供しました。堅牢なサポート、わかりやすいドキュメント、そして一般的な学術ソフトウェアやワークフローに対応したサンプルを提供するプラットフォームを探してください。プログラミング言語の学習への投資は、シミュレーションのカスタマイズや機械学習モデルのトレーニングに不可欠なスキルであり、研究者がこれらのHPC環境の潜在能力を最大限に活用できるようにするからです。

最後に、研究に Rescale プラットフォームを使用したことについての全体的な感想やフィードバックをお聞かせください。

全体的に見て、Rescaleプラットフォームに対するフィードバックは非常に肯定的です。直感的なインターフェースと機能は、私たちの研究目的に非常に合致しています。特に、どこからでもシミュレーションを実行できる機能は、チームにとって非常に柔軟性が高く、非常に高く評価しています。Rescaleチームから受けた協力的なサポートも素晴らしく、必要な時にいつでも迅速かつ親切なサポートを提供していただきました。

さらなる改善点を挙げるとすれば、Rescale内で実験計画法の機能や各種ソフトウェアのコマンドラインのヒントといった高度なワークフローに関するガイダンスを充実させれば、新規ユーザーにとって有益になるだろうということです。しかし、これらは、Rescaleが全体的に素晴らしい体験を提供している中では些細な点です。Rescaleは、私たちの研究を加速させ、エンジニアリング設計における解釈可能な機械学習の限界を押し広げ、最終的には研究成果をより効率的に発表する上で、非常に貴重な資産であることが証明されています。

高等教育と産業のためのRescaleについて詳しくはこちら

研究やエンジニアリングプロジェクトのための柔軟なリソースの利用を開始することに興味がある場合は、 お問い合わせ AIとHPCのユースケース向けに、さまざまなハードウェアとソフトウェアを簡単に導入する方法を学ぶことができます。シェリフ博士のNature誌に掲載された研究の詳細については、こちらをご覧ください。 ハイブリッドFRPボルト接合部における損傷発生の予測のための機械学習と記号回帰の統合.