HyperWorks 2022.3には、過去のシミュレーションデータを使用して物理予測を高速化する、新しい物理AIテクノロジーの最初のリリースが含まれていました。 それ以来、我々はユーザーからのフィードバックに耳を傾け、改良に励んできました。 HyperWorks 2023は、ユーザビリティの向上と物理AIの応用範囲の拡大に焦点を当てています。 HyperWorks 2023のリリースを前に、physicsAIに関するよくある質問とその答えを紹介したいと思います。 質問を3つのカテゴリーに分類しました:(1) データとフォーマット、(2) コンピュータとリソース、(3) 精度と品質です。
Q. トレーニングデータはどのようなファイル形式に対応していますか?
A. HyperView と共通です。
Q. 過渡シミュレーションはサポートされていますか?
A. はい、過渡シミュレーションと静的シミュレーションの両方に対応しています。
Q. どのくらいのデータが必要ですか?
A. データはシミュレーション結果ファイルから抽出されます。 質の高い予測を得るために必要な結果ファイルの数は、プロジェクトによって異なります。 物理学の複雑さやデータのばらつきの大きさによって、ほんの一握りの結果しか必要としないアプリケーションもあれば、何十、何百という結果を必要とするアプリケーションもあります。 さらに、十分な品質はそれ自体主観的な評価です。一般的なガイドラインとして、予測品質のテストを評価する前に、少なくとも10個の結果でトレーニングすることが推奨されます。
Q. メッシュは同じ要素/ノード数である必要がありますか?
A. いいえ、等価なメッシュである必要はありません。下の画像のように、トポロジー的に等価である必要もありません。
(クリックで拡大)
Q. 設計データはどの程度変えられますか?
A. トレーニング・データに許容されるばらつきに特別な制限はありません。しかし、2つの点を考慮することは有益です。第一に、トレーニングデータは予測を行う新しい設計を代表するものでなければなりません。 第二に、ばらつきの大きいデータセットでは、品質を維持するために、それに応じてより多くのトレーニング例が必要になります。 予測を行う場合、信頼スコアは新しいデザインがトレーニングデータにどれだけ似ているかを定量化するために使用することができます。
(クリックで拡大)
Q. GPUは必須ですか?
A. CPUでもモデルのトレーニングは可能ですが、GPUより遅くなります。
Q. どのGPUに対応していますか?
A. GPUでトレーニングするには、CUDA toolkit 11.8とcuDNN 8.7をインストールする必要があります。これには、少なくともPascalマイクロアーキテクチャのNVIDIA GPU、つまり計算能力> 6.0が必要です。
Q. GPUとデータセットのサイズはトレーニング時間にどのような影響を与えますか?
A. 計算機の質はトレーニング時間に影響します。より良いハードウェアはランタイムを向上させますが、CPUからGPUへの改善はかなりのものになります。ハードウェアに関係なく、トレーニング時間はデータセットサイズにほぼ直線的に比例します。 代表的な例として以下のチャートをご覧ください
結果ファイル 10個 | 50個 | 100個 | |
ノート用 CPU | 44分 | 3時間 35分 | 7時間 54分 |
HPC用 CPU | 34分 | 2時間 46分 | 5時間 10分 |
GPU | 3分 | 16分 | 33分 |
Q. HPCでトレーニングできますか?
A. はい、詳しくはドキュメントをご覧ください。
Q. 正確ですか?
A. 一般的に、精度はデータ量、モデルの表現力(ネットワークの幅や深さなど)、割り当てられたトレーニング時間によって向上します。しかし、実用性を考慮すると、これらの量には有限の限界があります。 学習済みモデルの品質評価は、標準的な学習プロセスの最終ステップです。 これは、例えばテストデータセットのMAEメトリクスを使用するなどして、既知の値に対する予測値をテストすることで行います。
Q. 良いMAEとは?
A. MAEとは平均絶対誤差のことです。MAEは予測値の誤差指標として解釈することができます。例として、4mmのMAEで変位を予測するモデルを考えてみましょう。 これは、任意の予測が平均して4mm不正確であると解釈できます。 これは、工学的に関心のある予測変位がわずか5mmである場合には重要かもしれませんが、典型的な値が500mmである場合にはそれほど重大ではありません。
Q. どのようなトレーニング設定をすればよいですか?
A. プロジェクトごとに異なります。デフォルトの設定から始めるのが良いですが、ベストプラクティスは、十分に高品質なモデルを達成するために設定を調整することです。 ワークフローでは、異なる設定間で結果を比較するために、同じデータセットでモデルの学習を繰り返すことができます。 これらの実験は、類似のプロジェクトが類似の設定で最良の結果を達成する可能性があるという経験的証拠を提供するかもしれません。
Q. 訓練されたモデルは、ソルバーを置き換えることができますか?
A. イエスでもあり、ノーでもあります。モデルはソルバーの高速近似として機能するように設計されているため、一般的にソルバーレベルの精度は期待できません。モデルは通常、ソルバーよりも1~3桁高速です。これは、ソルバーレベルの精度を達成しなくても、新しい設計コンセプトを迅速に探索できるため有用です。最終的な設計は、必ず従来のソルバーで検証する必要があります。 とはいえ、適切なトレーニングデータと設定があれば、モデルをかなり正確にトレーニングすることができます。
physicsAIを支えるテクノロジーは、今後も拡大し続けるでしょう。 これは単なる遠い未来のビジョンではなく、そのツールはすでに今日のソフトウェアに組み込まれています。 本当に簡単なことです! まだの方は、HyperWorksの最新バージョンを手にして、AIを活用した設計が本当に誰でも簡単に始められることを実感してください。
アルテアコミュニティブログに投稿された次の記事を、日本語に翻訳したものです。
https://community.altair.com/community?id=community_blog&sys_id=5e76d67f1b7c7510c4dfdbd9dc4bcba6
https://www.altairjp.co.jp/hyperworks/
(physicsAI は HyperWorks の機能です)
https://www.altairjp.co.jp/contact-us/