自動車の衝突安全性設計において、数値シミュレーションは重要な役割を果たしていますが、複雑な計算に膨大な時間を要するという課題があります。このたび発表された「Mask-Morph Graph U-Net」は、機械学習を活用して衝突時の応力分布や変形などの物理場を高速に予測する革新的な代替モデルです。従来の衝突安全性予測手法では、車体の形状が異なるたびに新たなシミュレーションを実施する必要がありましたが、このモデルは異なる幾何学的形状に対しても高い予測精度を維持することができます。 本手法の最大の特徴は、メッシュベースのグラフニューラルネットワークアーキテクチャを採用した点にあります。車体の複雑な三次元構造をメッシュで表現し、グラフ構造として処理することで、形状の多様性に対応した学習が可能になります。さらに「Mask-Morph」と呼ばれる技術によって、異なる幾何学的パターン間での適応的な変換を実現しており、大規模な形状変動があっても汎用的に機能します。 このアプローチにより、設計段階での複数の試案検討が格段に高速化されることが期待されています。衝突安全性評価を迅速に行えることで、より優れた設計案の探索が可能となり、自動車の安全性向上につながる可能性があります。メッシュベースの代替モデルは、衝突解析に限らず、構造最適化や流体力学など幅広い工学分野への応用も見込まれています。