講演情報
[11007-11-05]多次元入力問題におけるNeural Implicit Flowの予測性能評価（シンポジウム講演概要）
*鎌田 浩基1、山本 真哉1、櫻井 英行1、西尾 真由子2、大竹 雄3 (1. 清水建設、2. 筑波大学、3. 東北大学)
キーワード：
サロゲートモデル、非線形固体力学、パラメータ内挿
本研究は、非線形固体力学問題におけるNeural Implicit Flow（NIF）の予測性能を評価した。NIFは限られた学習データで高精度な予測が可能であることが知られているが、固体力学における複数の入力パラメータを伴う問題への適用は十分に検討されていない。本研究では、弾塑性板の引張問題を対象としたケーススタディを通じて、正則化を用いた場合にNIFおよびDeepONetがフィードフォワードニューラルネットワーク（FNN）よりも補間精度で優れていることを示した。特に、NIFは非線形な空間モード変換を介して、ほぼ不連続な物理場においてさらなる誤差低減を達成した。これらの結果は、不確実性定量化やパラメータ最適化において、特にリソースが制約される環境下で、NIFおよびDeepONetが効率的な代替モデルとしての可能性を示唆している。