AIPOD——インテリジェント最適化ソフトウェア


AIPODは、FsTechが独自開発した汎用最適化設計プラットフォームです。

工業設計分野における数値シミュレーションの高コストなどの問題に特化して設計された最適化アルゴリズムSilverBulletを採用し、最適化効率が最大となるようなソフトウェア構成としています。

これから最適化を始めていく方にも非常に使いやすいよう設計されており、構造・熱流体・音響・マルチフィジックス連成問題のいずれであっても、より優れた設計ソリューションを効率的に見つけることができます。



特徴


1.強力な計算プロセスモデリング

グラフィカルな定義機能により、視覚的に計算プロセスの構築を行うことができます。

計算フローチャートでは、商用ソフトウェア、動的ライブラリの呼び出し、スクリプト形式による経験式の直接定義、などの各種機能により、複雑な計算プロセスの自動化/最適化を実現します。


图 1 强大的计算流程建模.png

図1 計算プロセスモデリング


AIPODは、主要CAEソフトウェアを含むCAEノードツールボックスを搭載しており、カスタマイズされたソフトウェアインターフェイスに基づいて、簡単な操作でバッチ処理コマンドの作成と設計変数の識別を行います。


批处理命令自动生成.png  变量自动识别与关联.png

図2-3 (左)バッチ処理コマンド作成、(右)設計変数の自動識別


さらに、判定・ループ・並列などのプロセスを制御するコントロールノードツールボックスにより複雑なプロセス定義を簡単に行うことができます。


图 3 控制节点工具箱.png

図4 コントロールノードツールボックス


IF(判定)ノードにより、状況に応じたプロセスの分岐実行を設定することで、様々な前提条件とダウンストリーム計算プロセスのルートを満たすことができます。

Loop(ループ)ノードはプロセス内のループ実行に活用し、 Concurrent(並列)ノードはプロセス内に並列実行を実装することでコンピューティングリソースを最大限に活用します。


2.代理モデルによる最適化アクセラレーションモジュールAIAgent

最適化の高速化を実現するAIAgentは、コンピューティングプロセスとの接続を通じてデータサンプリングを実行し、自社開発の機械学習アルゴリズムを通じた代理モデルのトレーニングを行うことができます。

従来の手法である応答曲面法やKrigingモデルと比較して、複雑な問題やデータセットの要求に対して強力な表現能力を備えています。

ソフトウェア使用の閾値が低く、トレーニングモデルの再利用や設計データのコアとしての管理が可能であるため、設計最適化の能力向上に繋がります。


图 4 AIAgent一键构建可复用的高精度代理模型.png

図5 構築された再利用可能な代理モデル


3. インテリジェントな探索機能を持つ最適化アルゴリズムSilverBullet

最適化アルゴリズムSilverBulletは、工業設計分野における数値計算の高コスト問題に対応するために開発されたアルゴリズムです。

限られた数百の計算コストにおいても、可能な限りのパフォーマンス改善を少ないコストで得ることができます。

SilverBulletは、インテリジェントなサンプリングテクノロジー、結合最適化テクノロジー、一連のコアパラメーターインジケータを統合し、グローバル最適化とローカル探索作業を動的調整することで、小規模な計算環境においても効率的な最適化を実現します。

SilverBulletには、以下の2つの特徴があります。


①適応ケースの柔軟性、使用閾値ゼロ

SilverBulletはあらゆるケースへの適応性が高く、ハイパーパラメータの設定をすることなく計算コストを提供するだけです。

ワンクリックで最適化プロセスを開始できるため、ソフトウェア使用に対する閾値が大幅に削減されるように構築しています。


②Bound-break機能

SilverBullet独自の最適化探索により、不正確なパラメータ範囲の問題を取り除くことが可能となります。

設計変数の範囲を正確に指定できない変数については、探索コストを増やすことなく設計変数に指定された範囲を選択的に超えることでさらなる良好な結果を取得します。


4.代理モデルとソルバーの利点を結合する最適化アルゴリズムSilverWing

最適化アルゴリズムSilverWingは、代理モデル機械学習AIAgentやヒューリスティック最適化などのテクノロジーを統合します。

その中で高精度代理モデル機械学習技術は、既存データを活用するためのキャリアを提供し、膨大で複雑なデータから法則を見つけ出すことで設計のプロセスと効率を継続的に最適化します。

機械学習と最適化を強化するこの技術は、効率的な設計ソリューションの出力を保証します。


5.豊富な最適化アルゴリズム

SilverBulletおよびSilverWingといった最適化アルゴリズムに加えて、CGなどの勾配アルゴリズムやMGAなどの遺伝的アルゴリズムを含む50の単一目的最適化アルゴリズムとMOEA/Dフレームワークに基づく9の多目的最適化アルゴリズムが搭載されています。

NSGA3やMOEA/Dなどの最適化アルゴリズムも離散最適化のサポートを実装しています。


丰富的优化算法.png

図6 豊富な最適化アルゴリズム


6.豊富なDOE(実験計画法)アルゴリズム

Sobolサンプリング、部分因子サンプリング、中央複合実験、ラテンハイパーキューブサンプリング、ユーザー定義サンプリングなどの13種類のDOEアルゴリズムが組み込まれており、離散変数を含むDOE計算機能をサポートします。


图 6 丰富的DOE算法.png

図7 豊富なDOEアルゴリズム


7.コンピュータ連携

単一のコンピューティングプロセスにおいて、異なるコンピュータにあるソフトウェアを呼び出し、リソースを効率的に使用することができます。

呼び出されたソフトウェアがインストールされているコンピュータでAIPODスレーブノードサービスを開くことで、AIPODマスターノードプロセスでコンピュータの呼び出しを行います。

補助ツールをインストールしたり、追加パラメータを構成する必要がないため、簡単に効率的なプロセスを作成することが可能となります。


图 7 分布式配置.png

図8 コンピュータの連携


8.複数のインタラクティブモード、クロスプラットフォームのサポート

スタンドアロンバージョンに加えて、AIPODはサーバーバージョンも提供しています。

これらはすべてクロスプラットフォームをサポートし、WindowsおよびLinuxディストリビューションに対応しています。

サーバーバージョンはWebユーザーインターフェイスに基づいており、オペレーティングシステムはグラフィカルインターフェイスを必要としていません。

したがって、サーバー上にAIPODを展開し、サーバーマシンの強力なリソースを最大限に活用することが可能となります。

これにより、コンピューティングプロセスの管理、最適化タスクの投、タスク実行のステータス表示、最適化結果の分析といった作業に、多くのリソースを割くことができます。


客户端.png

図9 クライアント側の起動


图 9 优化任务远程监控.png

図10 最適化タスクのリモートモニタリング


応用事例


1.船型の最適化①

6つの設計変数を対象として、目的関数は最小抵抗係数、2つの制約条件、CFD計算数は64ケースとした最適化計算を実行しました。

AIPODの64ケースによる最適化計算では、5.01%の性能向上を達成することができ、競合ソフトウェアの3.36%を上回る結果となりました。


表1 AIPODと競合ソフトウェアの最適化結果

image.png


AIPODと競合ソフトウェアの最適化経過を確認すると、初期段階において競合アルゴリズムは比較的速く性能向上する傾向にありますが、局所的な極値となった後の向上は見られませんでした。



image.png

 (左)競合ソフトウェア、(右)AIPODの最適化経過



8-2.png

競合ソフトウェアとAIPODの比較


図11 AIPODと競合アルゴリズムの最適化経過


AIPODの最適化プロセス中に、Bound-break機能をオンにすることで、想定を超えた最適化結果を取得しています。

設計変数の範囲が適切に設定されていない場合、既存の商用最適化エンジンは指定範囲外にある実行可能スペースを探索することはありませんが、AIPODでは人為的に発生した最適化の壁を素早く突破することで理想的な最適候補解に辿り着きます。


表2 各最適候補解の設計変数

image.png


image.png


(左)競合ソフトウェア、(右)AIPODの結果

図12 各ソフトウェアの最適候補解


2.船型の最適化②

8つの設計変数を対象として、目的関数は最小抵抗係数、2つの制約条件、CFD計算数は100ケースとした最適化計算を実行しました。(AIPOD最適化実行じは、ディスク容量の影響により83ケースで最適化を終了)

AIPODの83ケースによる最適化計算では、4.68%の性能向上を達成することができ、競合ソフトウェアの4.13%を上回る結果となりました。


表3 AIPODと競合ソフトウェアの最適化結果

image.png

10-1.png10-2.png

(左)競合ソフトウェア、(右)AIPOD

図13 各最適候補解の圧力分布


AIPODの最適化プロセス中に、Bound-break機能をオンにすることで、想定を超えた最適化結果を取得しています。

この機能により検討外となっていた効率的な設計領域の発見を適切に支援できることを示しています。

image.png

(左)競合ソフトウェア、(右)AIPODの最適化経過


11-2.png

競合ソフトウェアとAIPODの比較


図14 AIPODと競合アルゴリズムの最適化経過


3.斜流ファンのハブ形状の最適化

14つの設計変数を対象として、目的関数は入口出口の最大圧力差、1つの制約条件、CFD計算数は150ケースとした最適化計算を実行しました。 

AIPODの150ケースによる最適化計算では、52.31%の性能向上を達成することができ、競合ソフトウェアの49.36%を上回る結果となりました。


表4 AIPODと競合ソフトウェアの最適化結果

image.png


image.png

(左)競合ソフトウェア、(右)AIPOD


図15 各最適候補解の圧力分布


AIPODと競合ソフトウェアの最適化経過を確認すると、初期段階において競合アルゴリズムは比較的速く性能向上する傾向にありますが、局所的な極値となった後の向上は見られませんでした。


image.png

(左)競合ソフトウェア、(右)AIPODの最適化経過


13-2.png

競合ソフトウェアとAIPODの比較


図16 AIPODと競合アルゴリズムの最適化経過


AIPODの最適化プロセス中に、Bound-break機能をオンにすることで、想定を超えた最適化結果を取得しています。

競合ソフトウェアがいくつかの設計変数に対して効率的な設計領域をキャッチすることができたものの、制限によりその範囲のみで探索しているため、それ以上の最適候補解を見つけることはできません。


表5 各最適候補解の設計変数

image.png


4.入口形状の最適化

5つの設計変数を対象として、目的関数は重み付けされた出口全圧/速度の不均一性の最小化、CFD計算数は60ケースとした最適化計算を実行しました。 

AIPODの60ケースによる最適化計算では、54.89%の性能向上を達成することができ、競合ソフトウェアの52.34%を上回る結果となりました。


表6 AIPODと競合ソフトウェアの最適化結果

image.png


image.png

(左)競合ソフトウェア、(右)AIPODの速度分布


image.png

(左)競合ソフトウェア、(右)AIPODの圧力分布


図17 各最適候補解の速度/圧力分布


AIPODの最適化プロセス中に、Bound-break機能をオンにすることで、想定を超えた最適化結果を取得しています。


表7 各最適候補解の設計変数

image.png


AIPODと競合ソフトウェアの最適化経過を確認すると、初期段階において競合アルゴリズムはAIPODを上回っているものの、その後で局地は低下していき、その度の向上は見られませんでした。


image.png

(左)競合ソフトウェア、(右)AIPODの最適化経過


15-3.png

競合ソフトウェアとAIPODの比較


図18 AIPODと競合アルゴリズムの最適化経過


5.ファンブレードの最適化

9つの設計変数を対象として、目的関数は全圧損失の最小化、CFD計算数は150ケースとした最適化計算を実行しました。 

AIPODの150ケースによる最適化計算では、19.21%の性能向上を達成することができ、競合ソフトウェアの14.69%を上回る結果となりました。


表8 AIPODと競合ソフトウェアの最適化結果

image.png


AIPODの最適化プロセス中に、Bound-break機能をオンにすることで、想定を超えた最適化結果を取得しています。

このケースでは設定した設計変数の範囲が比較的妥当であったため、両者で得られたより最適候補解は設計空間内に含まれています。


表9 各最適候補解の設計変数

image.png