🐵

【CAEエンジニアのAI入門 #4】学習とは何か？それは“ソルバー実行”である

に公開
AI
Python
機械学習
CAE
サロゲート
tech

はじめに：ソルバーを回すとき、人はグラフを見る

CAEエンジニアの皆さん、こんにちは。
AI入門シリーズ第4回です。

第3回では、

  • ニューラルネットワーク＝ノードと要素
  • 活性化関数＝非線形材料特性

という話をしました。

今回はいよいよ、

「学習（Training）」の正体

に踏み込みます。

結論から言います。

AIの学習とは、ソルバー実行そのもの

です。

第4回のテーマ

学習とは何か？それは“ソルバー実行”である

1. 学習＝残差を減らす作業

CAEの非線形解析を思い出してください。

  • 初期解を仮定
  • 残差を評価
  • 収束するまで繰り返す

AIも、全く同じ構造をしています。

AI学習の流れ（CAE翻訳）

AI CAE
予測値 変位・応力
正解データ 実験値・参照解
損失関数（Loss） 残差
重み更新 剛性更新
Epoch 反復計算

2. 損失関数（Loss）とは何者か？

損失関数は、

「どれくらい外しているか」を数値化したもの

回帰問題（応力・温度予測）では、
ほぼ確実にこれを使います。

MSE（平均二乗誤差）

Loss = \frac{1}{N} \sum (y_{true} - y_{pred})^2

CAE的に言うと、

  • 誤差を2乗している
  • 大外しを強く罰する

👉 安全側設計寄りの評価

です。

3. Pythonで学習を回す

では実際に、
ソルバーを回すコードです。

history = model.fit(
    X_train_scaled,
    y_train_scaled,
    epochs=1000,
    batch_size=32,
    validation_split=0.2,
    verbose=1
)

各パラメータのCAE的意味
引数 CAEエンジニア的理解
epochs 最大反復回数
batch_size サブステップ
validation_split 検証用モデル
verbose ログ出力

4. 収束グラフ（学習曲線）を見ろ

CAEエンジニアなら、
グラフを見ずに解析を信じないですよね。

AIも同じです。

見るべき2本の線
Training Loss
→ 練習問題の成績

Validation Loss
→ 初見問題の成績

良い例
両方が下がる

最後に横ばい

👉 収束

悪い例①：発散
Lossが暴れる

NaNが出る

👉 学習率が大きすぎ
👉 正規化ミス

5. 過学習＝局所最適の罠

一番よくある事故です。

症状
Training Loss：どんどん下がる

Validation Loss：途中から上がる

これ、CAEで言うと…

「特定条件に最適化しすぎたモデル」

特定荷重

特定境界条件

にしか通用しません。

CAEエンジニア的解釈
「そのメッシュ、その条件専用」

6. 学習が収束しない夜

誰もが通る道です。

Lossが下がらない

なんなら上がる

深夜にコーヒーが増える

だいたい原因はこれ
正規化忘れ

データが少なすぎる

学習率が大きすぎる

モデルがデカすぎる

👉 CAEと同じ
👉 設定ミスが9割

7. CAEエンジニアがAIで最も得する瞬間

それは、

収束グラフを見て異常に気づけること

「あ、これ過学習してるな」

「このデータ、怪しいな」

この勘は、
CAEをやってきた人間だけの特権です。

次回予告（最終回・第5回）
AIは物理を知らない
だからエンジニアが必要だ

次回は、

過学習の対処法

精度が出ないときの処方箋

物理制約（PINNs）の考え方

実務で使うための最終チェックリスト

**「AIを信用していい瞬間」**を
明確にします 🔧🧠

Discussion