-
Notifications
You must be signed in to change notification settings - Fork 0
Roadmap
最終更新: 2026-03-07 研究期間 2 年 を前提とした高目標版 → 2-Year-Goals (World-Class Edition) 詳細 2028 ロードマップ → Roadmap-2028 (Foundation Model + 自律損傷管理 + Edge AI)
JAXA H3 ロケット CFRP/Al-Honeycomb フェアリングの GNN ベース構造ヘルスモニタリング (SHM) システム開発ロードマップ。
Phase 1 (データ生成) 完了。Phase 2 (ベンチマーク) が現在地。Phase 3 で 1,000→5,000 サンプル、Phase 7 でマルチクラス 4 クラス、Phase 8 で Sim-to-Real (DANN)、Phase 9 で FNO・PINN。用語は 用語集 を参照。
Phase 1 データ生成 ✅ 完了 (100 サンプル)
Phase 2 ベンチマーク学習 ← 現在地
Phase 3 データ拡張・大規模学習 (目標: 1,000 → 5,000 サンプル)
Phase 4 図表作成
Phase 5 アブレーション
Phase 6 ロバスト性評価
Phase 7 マルチクラス (debond / delam / impact / healthy)
Phase 8 Sim-to-Real (OGW + DANN)
Phase 9 高度手法 (FNO サロゲート, PINN 逆問題)
Phase 10 XAI (SHAP, LIME, GNNExplainer) — 予測根拠の可視化
| 環境 | スペック | 用途 |
|---|---|---|
| CPU | pyenv miniconda3 / PyTorch 2.10 + PyG 2.7 | 前処理、プロトタイプ、100サンプル訓練 |
| GPU | 24 GB VRAM × 4枚 | 大規模訓練、HP探索、メッシュ細分化実験 |
| データ規模 | CPU 訓練時間 | GPU 1枚 | GPU 4枚 |
|---|---|---|---|
| 100 graphs (現状) | ~1 時間 | ~5 分 | — |
| 1,000 graphs | ~12 時間 | ~50 分 | ~15 分 |
| 5,000 graphs | ~3 日 | ~4 時間 | ~1 時間 |
※ GAT (625K params), 200 epochs, batch_size=4–32 での概算
目的: Abaqus FEM シミュレーションによる高忠実度データセット構築
| タスク | 状態 |
|---|---|
| DOE 100 サンプル設計 | ✅ |
| Abaqus バッチ FEM 生成 | ✅ 100/100 |
| ODB → CSV 抽出 (変位・温度・応力) | ✅ |
| PyG グラフ変換 (train.pt / val.pt) | ✅ |
| データ品質検証 | ✅ |
| 項目 | 値 |
|---|---|
| グラフ数 | 101 (train 81 + val 20) |
| ノード/グラフ | 120,185 (25 mm メッシュ) |
| エッジ/グラフ | 956,508 |
| ノード特徴量 | 34 次元 → Node-Features |
| エッジ特徴量 | 5 次元 (相対位置, 距離, 法線角度) |
| クラス比 | defect 0.06% / healthy 99.94% |
| 欠陥サイズ | Small 30%, Medium 40%, Large 25%, Critical 5% |
目的: GNN 4 種 + 代替モデルを同一データで公平に比較
データ: processed_realistic_25mm_27 (25 サンプル, 8 クラス, ~120K ノード/グラフ)
環境: 3 サーバー並列実行 (vancouver01/02: RTX 4090 x4, stuttgart02: RTX 3090 x4)
| モデル | パラメータ | GPU メモリ | Best Val F1 | 備考 |
|---|---|---|---|---|
| SAGE | 117K | ~1 GB | 0.2496 | full_graph, hidden=128, Focal γ=2 |
| GCN | 64K | ~1 GB | 0.1937 | full_graph, hidden=128, Focal γ=2 |
| GAT | 168K | ~3.4 GB | 0.0563 | defect_centric, hidden=64, Focal γ=2 |
| GAT | 634K | OOM | — | full_graph, hidden=128 → 24GB 超過 |
所見:
- GAT は 120K ノードの full graph で OOM (attention の O(E×heads) がボトルネック)
- SAGE / GCN はメモリ効率が良く、full graph で学習可能
- 全モデルとも healthy のみ検出 (F1≈0.97)、欠陥クラスは F1=0.000
- 原因: 極端なクラス不均衡 (healthy 99.58% vs 欠陥 0.01–0.15%) + データ 25 サンプル
| モデル | タイプ | 状態 |
|---|---|---|
| UV-Net (U-Net) | 2D CNN (円筒展開) | 実装済 |
| Point Transformer | 3D 点群 | 実装済 |
| Graph Mamba | State Space Model | プロトタイプ済 → 統合予定 |
| E(3)-Equivariant GNN | 等変 GNN | プロトタイプ済 |
Optuna で 4 GPU に 1 trial ずつ割り当て、100 trials 並列探索。
| パラメータ | 探索範囲 |
|---|---|
| hidden | 64, 128, 256 |
| layers | 3, 4, 6 |
| lr | 1e-4 – 1e-2 |
| dropout | 0.0 – 0.3 |
| focal_alpha | auto, 0.5, 0.75, 0.9 |
| batch_size | 4, 8, 16, 32 |
| タスク | 状態 |
|---|---|
| TensorBoard ロギング (loss, F1, AUC, precision, recall, lr, hparams) | ✅ |
| Focal Loss (per-class alpha, gamma 調整) | ✅ |
| DDP マルチ GPU 対応 (torchrun) | ✅ |
| DefectCentric サブグラフサンプラー | ✅ |
| CSV + TensorBoard 二重ロギング | ✅ |
目的: データ量・メッシュ解像度のスケーリングによる性能限界の把握
| 規模 | サンプル数 | GPU 1枚 訓練時間 | 目的 | 2年目標 |
|---|---|---|---|---|
| 現状 | 100 | ~5 分 | パイプライン検証 | — |
| 中規模 | 500–1,000 | ~30 分 | 論文用ベンチマーク | Year 1 末: 1,000 |
| 大規模 | 5,000+ | ~4 時間 | 汎化性能の限界評価 | Year 2 末: 5,000 |
ボトルネック: Abaqus FEM 生成が ~5 分/サンプル → FNO サロゲートで 100x 加速を目標
| メッシュサイズ | ノード数/グラフ | VRAM (batch=4) | 24GB GPU で |
|---|---|---|---|
| 50 mm | ~11K | ~200 MB | 余裕 |
| 25 mm (現状) | ~120K | ~2 GB | 余裕 |
| 10 mm | ~250K | ~5 GB | 対応可能 |
PyG の DataParallel で 4 GPU 並列化。大規模データ + 細分化メッシュの組み合わせが現実的に。
| 出力 | 用途 |
|---|---|
| Table 1 | モデル比較 (F1, AUC, Precision, Recall, Params, Time) |
| Table 2 | HP 探索結果 (Optuna best params) |
| Fig 1 | Defect Probability Map (3D ヒートマップ) |
| Fig 2 | Training curves (Loss, F1 vs epoch) |
| Fig 3 | Confusion Matrix |
| Fig 4 | アブレーション (特徴量除去の影響) |
| Fig 5 | データ量 vs 精度 (スケーリングカーブ) |
| 実験 | 除去する特徴量 | 残る次元 |
|---|---|---|
| Full | なし | 34 |
| w/o Normal | nx, ny, nz | 31 |
| w/o Curvature | κ₁, κ₂, H, K | 30 |
| w/o Geometry | Normal + Curvature | 27 |
| w/o Stress | s11, s22, s12, smises, principal_stress_sum | 29 |
| w/o Layup | layup_0/45/-45/90, circum_angle | 29 |
| Displacement only | ux, uy, uz のみ | 3 |
50 mm / 25 mm / 10 mm で同一モデルを訓練 → F1 比較
| 実験 | 方法 |
|---|---|
| ノイズ耐性 | ガウシアンノイズ (SNR 40, 20, 10 dB) 付加 → F1 劣化曲線 |
| センサ欠落 | ランダムにノード特徴量を 0 化 (5%, 10%, 20%) |
| 温度変動 | 温度フィールドに ±10°C ランダム摂動 |
| Data Augmentation | 上記を訓練時にも適用 → ロバスト性向上効果の検証 |
目的: debonding のみから debond / delam / impact / healthy の 4 クラス分類へ拡張
| タスク | 状態 |
|---|---|
| Phase A: healthy サンプル追加 | 未着手 |
| Phase B: デラミネーション FEM + ラベル | 未着手 |
| Phase C: 衝撃損傷 FEM + ラベル | 未着手 |
| Phase D: 4 クラス GNN 学習 | 未着手 |
目的: FEM 学習モデルを実実験データ (Open Guided Waves) に転移
| タスク | 目標 |
|---|---|
| OGW データ取得・前処理 | CFRP 平板、温度変動、オメガストリンガー剥離 |
| グラフ変換 | OGW センサ配置をグラフにマッピング |
| DANN | ドメイン識別器 + 勾配反転で FEM→OGW 適応 |
| 評価 | 転移後の精度劣化 < 15% |
目的: データ生成加速・スパースセンサ対応
| タスク | 目標 |
|---|---|
| FNO サロゲート | 欠陥マスク → 波動場の写像学習、100x データ生成加速 |
| PINN 逆問題 | スパースセンサ (20 点) から欠陥位置を物理制約で推定 |
| Section | 内容 |
|---|---|
| 1. Introduction | F8 事故 → CFRP/Al-HC SHM の必要性 |
| 2. Background | Lamb 波, GNN, サンドイッチ構造 |
| 3. Methodology | FEM モデル, グラフ構築, GNN アーキテクチャ |
| 4. Experiments | データセット, 4 GNN 比較, HP 探索, アブレーション |
| 5. Results | Table 1-2, Fig 1-5 |
| 6. Discussion | Sim-to-Real, 計算コスト, スケーラビリティ, XAI (SHAP/LIME) |
| 7. Conclusion |
本ロードマップ（Phase 1–10）は現行フェーズの詳細を扱う。2年間の全体ビジョンは以下を参照:
| ページ | 内容 |
|---|---|
| 2-Year-Goals (World-Class Edition) | 全体目標 — Foundation Model + 自律損傷管理 + Nature系5本 |
| Roadmap-2028 | 5 Phase × 24ヶ月の詳細タスク |
| Foundation-Model | Phase 3: Structural Foundation Model 設計 |
| Autonomous-Damage-Management | Phase 4: 自律損傷管理ループ設計 |