第83回関西CAE懇話会
(オンライン形式)
テーマ 「ディープラーニングとCAE(第6回)」
〜科学知の導出、科学知を取込んだディープラーニングがCAEを変える〜
日時 2022年10月21日(金)10:00〜17:15           
場所 オンライン形式
定員 200名
オンライン
会議
WebExを使用します。はじめて使用される方、あるいは事前テストを希望される方は、事前テスト時間枠をご連絡します。 
受付 9:30 受付開始 
団体会員様講演1 「インサイトとディープラーニングについて」
時間 10:00〜10:30
講師 株式会社インサイト
三好 昭生 氏
概要 インサイトでは、「CAE技術者の為のデータサイエンス勉強会」において、ディープラーニングをテーマとして3つ取り上げております。又、昨年度迄の受注実績として、ディープラーニングの案件も経験が有ります。今年度は、富岳を用いたディープラーニング案件も受注しております。自主プロジェクトも含め、利用経験について、差し支えの無い部分について、お話致します。特にPINNsについてお話出来ればと思います。
団体会員様講演2 「 CADデータからCAE結果を推論する3次元深層学習ツール「Neural Concept Shape」の
ご紹介」
時間 10:30〜11:00
講師 サイバネットシステム株式会社 CAE事業本部
DXソリューション事業部 IoT/AIサービス部
宮堂 泰寛 氏
概要 Neural Concept Shapeは既存のCAD/CAEデータを学習し、CADデータから解析結果を得るサロゲート(代理)モデルを構築する3次元深層学習ツールです。
メッシュ作成やソルバー実行は不要で、迅速な設計変更・検証が可能になります。
3次元形状の特徴を捉える独自の3DCNN技術によりトポロジーの異なる形状もまとめて学習・推論でき、さらに転移学習もできる柔軟性が魅力です。
団体会員様講演3 「 NVIDIA Modulus : Physics ML開発のためのフレームワーク 最新情報」
時間 11:00〜11:30
講師 エヌビディア合同会社 HPCソリューションアーキテクト
丹 愛彦 氏
概要 近年、CAEに機械学習を活用する事例が増えている。大量の実験データや観測データ、シミュレーションデータなどを使用してモデルの学習を行う方法が一般的であったが、学習データに加えて、対象としている物理を記述する支配方程式を機械学習モデルに統合するという手法が提案され、進化を続けている。本セッションでは、物理を統合した機械学習モデル、Physics ML モデル開発のためのフレームワークである、NVIDIA Modulus の最新情報を紹介する。
趣旨説明 「 科学知を取込むDL:サロゲートモデル構築における精度向上と学習データの削減」
時間 13:00〜13:20
講師 ダイキン情報システム株式会社
平野 徹 氏
概要 前回は、帰納的手法であるAIと演繹的手法であるCAEに加えて、関係性を表現するネットワーク科学を融合することで、不確かさ・複雑さを含む現実の世界を解析・予測するためのデジタルツイン構築を提言、関連する講演を集め議論した。今回は、サロゲートモデル構築のための多数の演繹的解析の計算時間削減や、学習データの領域を外挿する評価点での精度向上のために、深層学習モデルに科学知(支配方程式や物理的知識)を組込む新しい取り組みが活発化している状況を紹介したい。
技術講演1 「科学知を取込むDL:サロゲートモデル構築における精度向上と学習データの削減」
時間 13:20〜14:00
講師 九州大学 マス・フォア・インダストリ研究所 教授
理化学研究所 革新知能統合研究センターチームリーダー
河原 吉伸 氏
概要 (準備中)
技術講演2 「物理法則に忠実なシミュレーションを行う人工知能 
〜幾何学的深層学習でエネルギー保存・減衰など様々な現象を再現する〜」
時間 14:10〜14:50
講師 大阪大学 大学院基礎工学研究科 准教授
松原 崇 氏
概要 深層学習は大量のデータから自動的にシステムを構築する手法だと思われがちですが、畳み込みやグラフといったバリエーションがあることが示すように、実は様々な性質を手動で盛り込むことができる手法です。うまく設計することができれば、物理現象をデータからモデル化するときに、エネルギー保存則や散逸則といった性質を保証することも可能です。本講演では近年活発に研究されている物理法則を満たす深層学習モデルを紹介します. 
技術講演3 物理シミュレーションの学習に適したグラフニューラルネットワークの紹介
時間 14:50〜15:30
講師 株式会社科学計算総合研究所 最高研究開発責任者 
兼 基盤研究部部長
堀江 正信 氏
概要 数値シミュレーションでよく扱われるメッシュは graph neural network (GNN) と呼ばれる機械学習モデルの枠組みで取り扱えることが知られている。しかしながら、通常の GNN では解析領域の形状や物理状態の複雑さのため、汎用性が問題となることが多い。そこで本研究では、合同変換群同変性と呼ばれる、物理現象に見られる回転・平行移動・鏡映に対する対称性を反映させた性質を持つ GNN について議論する。
基調講演 「機械学習縮約モデルを用いた革新的流れ制御に向けて
時間 15:45〜16:45
講師 慶応義塾大学 理工学部機械工学科 教授
深潟 康二 氏
概要 (準備中)
交流会 時間 16:45〜17:15
概要 オンライン形式での交流会です。
時間割 参照ください。   
講演資料資料   団体会員様講演1
団体会員様講演2
団体会員様講演3
趣旨説明  
技術講演1
技術講演2
技術講演3
基調講演  
団体会員様資料
参加費用 第83回関西CAE懇話会 参加費用
■CAE懇話会個人会員
   ・一般     :2,000円(税込)
   ・学生会員  :無料
■CAE懇話会団体会員(正会員、賛助会員)の社員の方
            :2,000円(税込)
■CAE懇話会個人会員外
   ・一般     :3,000円(税込)
   ・学生/院生:1,000円(税込)
※参加費用は参加されるコースに関係なくいずれも上記の費用となります。
 申し込みをされた方にお支払方法を連絡いたします。
☆所属する企業・法人が団体会員様の場合、個人会員の参加費用が適用されます。
参加費用の請求書による振込みを希望される場合は、事前にCAE懇話会事務局(jimukyoku10@cae21.org)までご連絡ください。
新規にCAE懇話会個人会員となって、個人会員としての参加を希望される場合には、10月14日(金)までに
個人会員登録申請
を行ってください。すでに個人会員の方は、その必要はありません。
参加申込 申込みはこちらから Entry
参加条件 1.開催日の3日前まで(10月18日(火)17時まで)に申し込みを完了されていること。
  参加方法等を開催日の前日までにご連絡いたします。

2.参加は個人単位であること。
  複数人での視聴は、禁止であること。
  同一箇所で複数人で参加される場合も、個別に申し込むこと。
  1人1端末でのアクセスとすること。

3.講演の内容を録画・録音されないこと。また、講演画面のスクリーンショットを取らないこと。

4.参加されるときに使用されるPCにカメラを接続され、当日の受付時にカメラ接続すること。
 スマホでの参加も可能ですが、その場合も当日受付時に、カメラ接続すること。
 受付時に、カメラで確認させていただきます。

5.当日、オンライン会議に参加されるときは、氏名が分かるような形で参加すること。
  ログイン名に氏名を日本語で記入すること。

6.オンライン形式ですが、参加者の交流をスムーズに進めるために、参加者リスト(お名前と所属)を、講演資料と同様にパスワードをつけて、配布することに同意いただけること

7.上記に同意いただけない場合は、参加が不可となることを了承いただけること。
資料
(注1)
配布可能な資料は、開催前に申し込みをされた方に、資料入手用パスワードをご案内します。。
なお、資料入手用パスワードを受け取られた場合は、当日不参加の場合も参加費用を請求させていただきます。
当日不参加の方で、資料を希望される場合に、参加費用をお支払いいただくことで、資料を入手できるようにしています。そのため、公平性の観点から、ご理解をいただくよう、お願いいたします。

当日不参加で、資料を必要とされる方も、事務局(jimukyoku10@cae21.org)までご連絡ください。
備考 1.内容については、変更される場合があります。最新情報は本ページでご確認ください。



Copyright (C) 2001-2022 NPO法人CAE懇話会 All Rights Reserved.