よくある質問
physicsAIに関するよくある質問をまとめました。
データとフォーマット
- 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？
- ファイル読み込みは、例えばHyperViewなどのシステム全体で共通です。詳細については、対象範囲をご参照ください。
- 過渡シミュレーションはサポートされていますか？
- 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がサポートされています。
- どのくらいのデータが必要ですか？
- より良い品質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し、十分な品質という基準自体も主観的なものです。アプリケーションの問題によっては、ほんの一握りの結果しか必要としないものもあれば、何十、何百もの結果を必要とするものもあります。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。
- メッシュは同じ要素/節点数である必要がありますか？
- いいえ、等しいメッシュである必要ありません。メッシュはトポロジー的に等しい必要もありません。
- 設計データはどの程度異なることが可能ですか？
- トレーニングデータの許容されるばらつきには特に制限はありません。ただし、2つのことを念頭に置いておくことは大切です。第一に、学習データは予測を行うデータの種類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、それに応じて多くのトレーニング例が必要になります。予測する場合、信頼スコアは設計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できます。
コンピューティングとリソース
- GPUは必要ですか？
- CPUはモデルのトレーニングに使えますが、GPUより遅くなります。
- どのGPUに対応していますか？
- 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が必要で、そのGPUの演算能力は6.0以上です。
- 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？
- コンピューティングリソースの性能はトレーニング時間に影響します。より良い性能のハードウェアは実行時間を改善できますが、CPUからGPUへの改善による影響は大きいです。いずれにせよ、トレーニング時間はデータセットサイズに直線的に比例します。代表例は下表をご覧ください：
ハードウェア 10結果ファイル 50結果ファイル 100結果ファイル ラップトップCPU 44m 3 h 35 m 7 h 54 m HPC CPU 34m 2 h 46 m 5 h 10 m GPU 3m 16m 33m - HPCでトレーニングできますか？
- はい。詳細については、対象範囲をご参照ください。
正確さと品質
- physicsAI は正確ですか？
- 一般的に、physicsAIモデルの精度は、データ量、モデルの表現性（例えば、幅や深さ）、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、これらの量は有限です。モデルのMAEメトリックを既知の値に対してテストするなど、学習済みモデルの品質を評価することは、モデルの学習プロセスにおける標準的なステップです。
- 良いMAEとは？
- MAEは平均絶対誤差です。MAEは予測誤差の指標として解釈できます。例えば、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、どの予測も平均して4mm不正確であることを意味します。このことは、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。
- どのようなトレーニング設定が必要ですか？
- プロジェクトはそれぞれ違います。デフォルトの設定から始めるのも良いですが、十分に高品質なモデルが得られるように設定を調整するのがベストプラクティスです。physicsAIのワークフローでは、同じデータセットでモデルのトレーニングを繰り返し、異なる設定で結果を比較することができます。これらの実験は、同様のプロジェクトが同様の設定で最良の結果を達成する可能性があるという実証的証拠を提供するかもしれません。
- physicsAI の学習済みモデルはソルバーを置き換えることができますか？
- どのような目的で使用するかによります。physicsAIのモデルは、ソルバーの高速近似として動作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。ただし、通常、解が得られるまで、ソルバーと比較して1～2桁高速です。したがって、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解析する目的で使用する場合、意味があります。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、physicsAIモデルは適切なトレーニングデータと設定があれば、かなり正確にトレーニングすることができます。