「エンジニアに提案するAI」を実現する設計開発及び解析業務へのAI活用を集約したソリューション
製造業が抱えるさまざまな問題を解決する糸口として、設計開発を中心としたエンジニアリング業務におけるAI活用は、リソース不足、生産性の向上、熟練技術の継承、新技術開発への活用など幅広い適応範囲が想定され期待が高まっています。しかしながら一般的にエンジニアリング業務へのAI活用は生産領域へのAI活用と比べると難易度が高くなかなか進んでいないのが実情です。
電通総研はエンジニアリング領域におけるCAD、CAE、PLMなどのシステム導入経験が豊富であり、またコンサルティング業務を通じて業務知識を深めてまいりました。「エンジニアリング業務知識」「システム構築力」に加え、「AI技術力」を組み合わせることでエンジニアリング領域において、業務ごとの特性に応じた最適なAIソリューションの開発や適用支援を行っており、多くの事例もあります。
エンジニアリングプロセス全体にAI活用したソリューションを集約、融合したのが「Engineering AI」ブランドです。Engineering AIは「エンジニアに提案するAI」をキーメッセージとして、エンジニアリング業務においてパートナーであるAIがエンジニアの判断を支援する様々な提案を行う仕組みの実現を目指しています。その仕組みを設計開発業務の新しいプロセスの一つにしたいと考えています。
一般的にGenerative Designは、トポロジー最適化を用いた時の形状作成として言われることがありますが、電通総研のGenerative Designは、設計仕様を入力すると、設計案を創出してサジェストしてくれるAIソリューションです。イメージとしては下図1の様に対話的な設計最適化を実現します。
Generative Designの仕組みを可能にするのは、最新のAI技術と様々なシミュレーション技術の組み合わせによる、スピーディな設計評価と探索です。電通総研のGenerative Designは解析分野の制約などはないので、従来のGenerative Designとは異なり、言わば広義、広い意味でのGenerative Designを実現します。
Generative Designを実現するための技術的な仕組みの概要は「設計案生成」を行う3D生成系AIと「設計評価」を行うサロゲートモデルが中心的な要素技術になります。この2つをワークフロー「最適解探索」で繋げてシステムとして駆動することで、汎用的で自由度が高い自動設計の仕組みを実現します。
昨今の製品開発業務では製品への要求性能が高まる一方、市場へデリバリーするまでの期間は短縮が求められ、より一層製品開発の効率化と短期化が必要となっています。シミュレーション（CAE）は精度良い結果を出すことで製品力向上に直結する一方で、知見の属人化、作業品質の平準化、計算時間、CAEモデル作成にかかる時間については開発におけるボトルネックとなっています。そのような問題の解決には、今までのCAEを代替するモデル、つまりサロゲートモデル作成に着手するのが一番効果を期待できます。右の絵の上部で示しているように、サロゲートモデルとは従来のCAEモデルと同じように評価条件を入力すると、物理計算等せずに結果を返してくれるモデルのことです。電通総研で作成するサロゲートモデルには、シンプルな問題に対する近似手法の応答曲面法から結果の分布を得るためのPoD（固有直交分解法）、画像や特徴量設計の難しい問題への拡張が可能となるディープラーニングなど、問題に対して効果的なAI手法を網羅的にご提案可能です。
【電通総研で作成可能なサロゲートモデル例】
最新のAI技術ではエンジニアが発想しにくい新しいデザインの創出が可能になってきており、エンジニアが培ってきたエンジニアリングのノウハウを基に、AIが代わりに形状の提案をします。図では敵対的生成ネットワーク（GAN）と呼ばれるディープラーニング技術の一種により、形状設計案の作成を支援する例を画像（2D）、CADモデル（3D）についてそれぞれ示しています。3D製品形状生成ではパラメトリックなCADモデルが無くとも、形状のバリエーションを大量に自動生成することを可能としています。これは、エンジニアが頭の中で無意識に行っている各形状の特長の抽出と掛け合わせによって新製品の意匠イメージを作り上げる作業を、AIが支援できることを示します。この技術により、エンジニアの発想を豊かにし、新旧デザインの融合、過去の設計知見の盛り込みが可能になります。
官能評価の領域においては、エンジニアの経験、勘、感性などの属人的判断に頼っていたため、一定の評価をするための数値化および分析ができておらず、技術継承や開発業務の効率化がしづらい部分になっていました。しかし、最新のAI技術を使えば官能評価をAIが分析し、特徴量やメカニズム解明の一部を担うことが可能です。図の事例では官能評価とCAEモデルの相関性向上のためにAIと物理的な仮説を用いてメカニズムを分析しています。検証対象を仮説に基づいて実験を行い、収集した実験結果をAIで分析、重要な物理的特徴量を探索して操縦安定性の性能開発におけるコリレーションのスムーズ化、効率化を図っています。また、AIを用いた乗り心地走行試験の特徴量分析と分析した特徴量を台上試験に適用し、相関性を導き出すことで、実走行試験の削減を図りつつ、乗り心地性能の向上を得ることも可能です。
設計案を検討する際に、過去の類似製品の設計や不具合リスク、要因などに関する適切な情報にスムーズにアクセスできる仕組みが求められます。文書検索では電通総研製品のTexA Intelligenceを活用することで過去の蓄積されたデータベースの文章を自動で分類、集計し、傾向を見える化します。さらに、検討中の形状と過去の設計品との形状の類似度からCADモデル検索を行いたい場合は、ディープラーニングの類似性評価手法を用い、類似したCADモデルを検索可能にします。過去データの類似品検索を容易にすることで、流用設計の効率化を実現し、さらに不具合のデータベースと紐づけることで形状と不具合情報の可視化が可能になります。
CAEのモデル作成、解析結果処理においては熟練エンジニアによる経験、勘、視覚的判断に頼った判断がされてきたことによって、技術の伝承ができずノウハウが蓄積されない、目視に頼るため人的ミスが尽きないなどの様々な問題が表面化してきています。そのような数値化できないOK/NG の判断をAIが担うことで、技術の伝承と同時に作業の自動化・平準化を図ることができます。その一つにメッシュの良否判定があります。メッシュの数値的な良否を判断できても、解析事象、自社製品に特化した目に見えない勘的な知見があることは多いです。そのような判断をディープラーニングの画像判断を用いて「見た目の判定」でメッシュのOK/NGを判断します。また、解析結果処理（アニメーション/画像）においてもディープラーニングを用いることで、シミュレーションのコンター図や固有モードアニメーションの目視での判定を自動化することが可能です。
AIの活用においてはAIを構築、適用するだけではなく、訓練データの効率的な生成、集めた訓練データの一元管理、大量の訓練データを高速に計算して作成するためのHPC（ハイパフォーマンスコンピューティング）環境などの実用的かつ汎用的なAI環境構築が必要です。電通総研ではSPDM、HPC、AIそれぞれのプラットフォームソリューション/ツールを取り揃えており、AIを活用するための環境構築が可能です。
電通総研のAI技術と業務ノウハウで、お客様とビジネスの未来を創ります
