用于制造业领域的基于设计数据实时预测模拟结果的技术

本技术介绍参考了以下链接
Japanese

2019年03月28日

用于制造业领域的基于设计数据实时预测模拟结果的技术
基于人工智能技术取代模拟试验的详细分析,提高设计工作效率

富士通株式会社和株式会社富士通研究所 (注1) 开发了一种可以在制造业领域,提高设计工作效率的AI技术。在设计工作中,需要重复进行候选方案设计、实物试制及产品评估,以形成并确立产品规格。在设计工作的上游工序中,实施制作试制品之前,需要掌握设计模式的特性,并实施仿真模拟进行评估,这些都是基于物理定律计算完成的。但是,在模拟试验对精细度要求较高的制造业领域,需要很高的分辨率,这将导致计算量大幅增加。因此,如果对每个候选设计方案都执行计算的话,如何削减计算时间成为一大课题。

开发背景

在制造业领域的设计工作中,需要重复进行候选方案设计、实物试制及产品评估,以形成并确立产品规格。在设计工作的上游工序中,实施制作试制品(费用高且费时)之前,需要对候选设计方案进行虚拟评估,实施仿真模拟以选出试制候选(图1)。但是在对精细度要求较高的制造业领域,由于模拟试验需要很高的分辨率,因此计算量将大幅增加。这时,如果对每个候选设计方案都执行计算的话,如何削减计算时间成为一大课题。

figure1

图1 利用模拟试验评估候选设计方案

课题

为了在短时间内完成设计的评估,研发人员基于AI(用模拟试验的输入/输出数据学习得到),设计了推断评估值的方法(图2),AI基于输入数据的部分特征进行学习。但在制造业领域,与部分特征相比,整体的设计图像对评估值的影响更大。因此,将该方法应用于实际的制造生产现场时无法获得足够的精度。

figure2

图2 利用AI缩短开发周期

开发的技术

为了可以实时评估候选设计,富士通研究所开发了一种新的AI学习技术。该技术基于以下特征,即使无法获得足够的学习数据,也可实现高精度评估。

  1. 基于物理定律的AI学习技术:

    富士通研究所开发了一种AI学习技术,从设计数据中,将基于物理定律的近似模型求得的估算值作为学习数据,将基于模拟试验的严密模型算出的性能预测值作为正确数据,让AI进行学习。在本技术中,通过使用反映了整体设计图像的学习数据作为近似模型的估算值,使得性能预测值的估算变得更加容易。且比起使用设计数据进行学习,使用较少的学习数据便可实现高精度的AI构建。

  2. 用于学习的仿真数据扩展技术:

    一般来说,高精度的AI学习需要数十万的学习数据。此次,富士通研究所开发了一种技术,基于仿真模拟的输入/输出数据,通过生成新的学习数据,来弥补学习数据的不足。在AI学习过程中,通过检测输入数据特征中对输出贡献较小的特征,并对这些特征进行随机化输入,来生成新的学习数据。这样,即使是在无法充分收集学习数据的情况下,也可实现学习数据(可有效学习的数据)的扩展。

效果

针对电路的设计工序,在距电路10米远处估算电磁波强度的试验中,使用传统Deep Learning(深度学习)及672个数据进行学习时,其估算误差为±16%。而基于此次开发的技术进行学习时,估算误差可大幅减少到±2.9%。(图3)

这样一来,在设计工作中确定候选设计时,可作为仿真模拟的替代品来使用。因此,通过使用此次开发的技术,可期待缩短模拟试验的过程。

figure3

图3 基于AI估算远处电磁波强度的频率分

今后

富士通研究所计划于2019财年,将该技术作为电磁波分析解决方案“FUJITSU Technical Computing Solution Poynting”的追加功能,实现其产品化。另外,富士通研究所将进一步推进该技术的验证试验,积极探讨其在各行业的业务展开。

注释

 注1 株式会社富士通研究所:
社长 古田 英范
总公司所在地 日本神奈川县川崎市
 注2 电磁波分析解决方案Poynting:
http://www.fujitsu.com/jp/solutions/business-technology/tc/sol/poynting/