データセットから設計への反映：MITのDrivAerNet++にNeural Conceptが新たなベンチマークを設定した方法
Neural ConceptはMITのDrivAerNet++データセットにおいて新たな最先端技術を実現し、表面場・体積速度・抗力において学術界でこれまでで最も正確な結果を達成しました。業界にとって真のブレークスルーは、このベンチマーク以上のところにあります。Neural Concept はわずか 1 週間で、39 TB の CFD データを、データ準備やモデルトレーニングからリアルタイムの展開、共同設計の探索に至るまで、空力設計プロセス全体をサポートする、エンドツーエンドの生産準備の整ったワークフローへと変換しました。Microsoft Azure を基盤とするこの成果は、エンジニアリング・インテリジェンスが設計サイクルを短縮し、コストを削減し、自動車メーカーが車両開発のあらゆる段階でより迅速かつ確信を持って意思決定を行うことを可能にすることを示しています。
1.はじめに
自動車設計において、外部空力特性は性能、エネルギー効率、コスト形成に決定的な役割を果たします。わずかな抗力の低減
も、車両のライフサイクル全体で大幅な燃料節約やEV航続距離の延長につながります。設計スケジュールが逼迫する中、エンジニアリングチームは空力開発を加速するためデータ駆動型ツールへの依存を強めています。
こうした状況下で、MITのDrivAerNet++データセットは広く利用される公開ベンチマークとして台頭しました。現実的な自動車形状のバリエーションと豊富な流れ情報を組み合わせたこのデータセットは、学習ベースのアプローチがエンジニアにとって重要な信号を捉えられるかどうかを検証する信頼性の高い手段となります。このデータセットでの評価は単なる研究課題ではなく、実世界のエンジニアリング作業への実用的な準備度を確認するものです。
Neural Conceptを活用し、エンジニアリングデータ向けに設計された形状ネイティブモデルである当社のGeometric RegressorをDrivAerNet++データセットで訓練・検証しました。1週間で、表面領域、体積速度、抗力係数などのスカラー目標値において、これまで報告された中で最も正確な予測を達成しました。このサイクルの高速性は、自動化プラットフォームによって実行される体系化されたベストプラクティスに由来します。
2.DrivAerNet++での結果が重要な理由
DrivAerNet++は、自動車空力設計向け最大かつ最も包括的なマルチモーダルデータセットであり、ファストバック、ノッチバック、エステートバックのバリエーションを含む8,000台の車両形状と、表面場、体積流、抗力を網羅する39TBのCFDデータで構成されています。その規模と多様性により、AIサロゲートモデルの信頼できる実証場となっており、このベンチマークでの性能は最先端とみなされています。
「DrivAerNet++は、AI時代における自動車産業の変革を加速する学術的基盤として構築しました。Neural Conceptのような企業がこれを迅速に採用し、実際の産業設計サイクルのスピードを再定義する様子は、非常に刺激的です」マサチューセッツ工科大学（MIT）機械工学科准教授ファエズ・アーメド博士
DrivAerNet++は、ベンチマークの共通基盤を提供し、世界中のエンジニアリングコミュニティにおける知見の交換とイノベーションの移転を可能にします。具体的な製品開発課題における協業を阻む典型的な機密保持上の制約を克服することで、学術界と産業界の両方で膨大なイノベーションの機会を解き放ちます。
以下のセクションでは、Neural Conceptの空力予測モデルトレーニングテンプレートをDrivaernet++に適用した結果を共有します。この研究は、業界標準のプラットフォームが、公開ベンチマークを実際の設計判断のための繰り返し可能なワークフローに変換する方法を示しています。モデルの革新を超えて、真のエンジニアリング価値は、その後、つまり、チームやプロジェクト間で進化する、協調的で監査可能なワークフローにモデルを展開することから生まれます。
3.DrivAerNet++データセットにおける新たな最先端技術の定義
公式評価プロトコルおよび訓練/テスト分割のもと、当社の幾何学的回帰モデルは、本データセットにおいてこれまで測定された全出力項目において最高精度を実現しました。ベースライン評価には公開リーダーボードの指標を用い、平均二乗誤差（MSE）と平均絶対誤差（MAE）を報告します（値が低いほどCFD実測値との一致度が高いことを示す）。比較の公平性を保つため、モデルはデータセットのパラメトリック入力なしで幾何形状のみを用いて訓練されています。
次のサブセクションでは、結果を詳細に分析し代表的な例を示します。
3.1.表面圧力予測
Neural Conceptのモデルは公式スプリットにおいてMSEとMAEの両方で最高精度を達成し、GAOTを含む全ての既発表手法を上回っています。
3.2.壁面せん断応力予測
当社の幾何学的回帰モデルは、車体表面の壁面せん断応力予測においても最高水準の結果を達成し、競合手法をすべて上回っています。信頼性の高い壁面せん断応力予測により、エンジニアは摩擦効果を特定し、流れが付着状態を維持しているか剥離しているかを理解できます。これは抗力と安定性の管理において極めて重要です。
3.3.体積速度場予測
外部空力データセットの一般的な慣行に沿い、DrivaerNet++は車両周辺の領域における3D速度場を提供します。同じ幾何学的回帰器アーキテクチャを用いることで、今回も最先端の結果を達成し、今回はTripNetと比較してMSEを50％以上削減しています：
下図は2つの試験サンプルにおける速度の大きさを示します。ここでは3次元体積領域の単一2次元スライス（車両後方の後流領域に焦点を当てたもの）のみを示しています。実際には、ネットワークはこのスライス上だけでなく、3次元領域内の任意の位置における速度を予測します。
3.4.抗力係数予測
抗力係数 (Cd) は空気力学において最も重要な数値であり、これを下げると内燃機関の燃料消費量が減り、電気自動車の走行距離が伸びます。
同じ基盤アーキテクチャを使用し、当社のモデルはCd予測において最先端の性能を達成し、従来の最良手法を大幅に上回っています。
3.5.計算効率
本節では、当モデルとトレーニングプロセスの計算特性を、従来のベンチマークリーダーであるGAOTと比較します。GAOTと同様に、当モデルはAzure上でホストされた4台のA100 GPUでトレーニングを実施しました。
トレーニングは24時間で完了し、最良モデルは16時間後に得られました。GAOTのトレーニング時間は報告されていませんが、GPUタイプと構成の類似性から、両アプローチとも同程度の計算量が必要と推測されます。性能向上はハードウェア増強ではなく、アーキテクチャとワークフローによるものです。最終モデルはコンパクトで、産業用途では16GB GPU1台でリアルタイム予測を提供可能です。
次のセクションでは、これらの結果が自動車開発プログラムにおいて測定可能な利益にどのように結びつくかを定量化します。
4.産業への影響
モデルの精度は産業にインパクトを与えるには必要ですが、それだけでは不十分です。大規模かつ長期的な変革効果は、高性能モデルが組織全体でメンテナンス可能で反復可能なワークフローに導入されて初めて明らかになります。
Neural Conceptのプラットフォームを利用する顧客は以下を達成しています：
• 設計サイクルを30%短縮
• 10万台規模の車両プログラムで2000万ドルのコスト削減
これらの成果は、設計に対する変革された体系的なアプローチによって根本的に実現され、より優れたデータ駆動型の意思決定を迅速に可能にします。次節で説明するDesign Labインターフェースがこの変革の中核をなしています。
5.予測から生産へ：デザインラボの活用
Neural Concept内では、検証済みの形状・物理モデルをDesign Labインターフェースに即時展開可能です。Design Labは、空力技術者と設計者がトレードオフを探求する協働環境を提供し、AIコパイロットがリアルタイムで性能フィードバックと形状改善提案を支援します。KPIのライブ更新を通じて、このコパイロット体験は空力解析を加速する車両設計プロセスと効果的に再接続します。
これはエンジニアリング・インテリジェンスの実践です。単なるモデルではなく、空力専門家とデザイナーの専門知識に導かれ、視覚的な設計環境に組み込まれたリアルタイム物理予測を提供するコパイロット体験です。
6.大規模で持続的な影響を支えるプラットフォーム
上記で概説した具体的な成果は、複数の自動車プログラムにまたがるチーム全体や部門レベルでの産業導入を通じて達成されました。個々のモデルの精度を超え、このようなシナリオでは、システムが効果的なコラボレーションを支援し、開発プロセスの要件を長期にわたり一貫して満たすことを保証する確固たる実践が必要です。
この記事で解説するワークフローは、世界中の自動車OEMとの長年の協業経験に基づいて構築された、こうした実践を体現しています。Neural Conceptのモジュール性により、エンジニアリング組織は(1) 実稼働環境で実証済みのAI価値を提供するエンドツーエンドのテンプレート、(2) コア技術コンポーネント、(3) オーケストレーションおよびワークフロー管理環境をいかに組み合わせることができるかを示しています。産業規模でAIの潜在能力を実現するには、これら3つのレイヤーすべてを慎重に構築する必要があります。
端的に言えば、モデルの精度は始まりに過ぎません。Neural Concept の真価は、これらのモデルを信頼性が高く、監査可能で、進化可能なエンタープライズグレードのシステムへと変え、エンジニアが実際に作業するツールに展開できる点にあります。
このワークフローは、次期Neural Concept Community Kitリリースの一部として、自動車業界をはじめとするあらゆる分野の産業用ワークフロー構築の起点として、全顧客に提供されます。トップエンジニアリングチームが自社のワークフローを本番環境に展開・維持するために本プラットフォームを活用するのと同じ方法で、継続的にメンテナンスとベンチマークが行われます。これにより、プラットフォームの最新リリースごとに、最先端の技術を維持し、最新のベストプラクティスをユーザーに提供します。
Neural Conceptの機能とワークフローを体験するには、Spark Sessionプログラムへご応募ください。
7.結論
Neural ConceptのGeometric Regressorは、表面・体積・スカラーの空力予測において最先端の結果を達成しました。純粋な性能と精度を超え、データ準備、モデルトレーニング、本番環境対応のインタラクティブインターフェースへのデプロイを含む完全なエンドツーエンドパイプラインをわずか1週間で構築。AIワークフローの構築・デプロイ速度の新基準を確立し、産業デザインサイクルの加速を実現しました。
Neural Conceptにおけるこの画期的な成果を実現した同じ機能が、Visa Cash App Racing Bullsやスバルといった主要エンジニアリング組織のAI未来を形作っています。推測作業を排除し、長年実証されたベストプラクティスを活用することで、これらのチームは現代最大の技術革命を通じて長期的な差別化価値の構築に注力しています。
謝辞
本研究はMIT開発のDrivAerNet++データセットを基盤とし、Microsoft提供の専用コンピューティングリソースを伴うAzure上のSaaSとして展開されたNeural Conceptでトレーニングを実施、高精細3DレンダリングのためNVIDIA Omniverseと統合されました。
本記事は、Neural Concept社の下記ウェブサイトに公開されている記事「From Dataset to Design Impact: How Neural Concept Set a New Benchmark on MIT’s DrivAerNet++」を日本語訳したものです。
Neural Conceptについて
Neural Conceptは、エンジニアリングを強化するためのAIディープラーニングアルゴリズムを開発しています。研究開発サイクルの高速化、製品性能の増強、次世代におけるエンジニアリング課題の解決により、これまでに80社以上の顧客の製品設計方法を革新してきました。同社は2018年、スイスのEPFLにある一流のAI研究室で設立されました。私たちは30人以上のメンバーで構成され、インテリジェンスで産業エンジニアリングの未来を変革するというビジョンに向かい全力を尽くしています。詳しくはこちら
- ※記載されている製品/サービス名称、社名、ロゴマークなどは該当する各社の商標または登録商標です。
深層学習AI による解析結果予測ソリューション Neural Concept Studio
Neural Concept Studioは、深層学習AI技術をベースとした、SaaS型解析結果予測ソリューションです。3D形状や解析結果からAIモデルを構築、AIによる形状評価は最短数ミリ秒で完了します。形状パラメータが異なる部品や過渡現象にも適用でき、転移学習にも対応します。