金属積層造形向けのパラメトリックPINNフレームワークによる素材非依存・ゼロショット熱推論
arXiv cs.LG / 2026/4/17
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- この論文は、金属積層造形における熱のゼロショットモデリングについて、ラベル付きデータなしで任意の材料へ汎化し、再学習や事前学習も不要なパラメトリックPINN（物理に基づくニューラルネット）フレームワークを提案しています。
- 材料特性と時空間座標を別々にエンコードし、条件付きモジュレーションで統合することで、支配方程式と境界条件における材料パラメータの乗法的な役割により適合させています。
- 物理的整合性と学習安定性を高めるため、Rosenthalの解析解に基づく物理ガイド付き出力スケーリングと、ハイブリッド最適化戦略を組み込んでいます。
- LPBF（レーザ粉末床溶融）で多様な金属合金を対象に、分布内・分布外の両ケースで実験した結果、ゼロショットでの汎化が有効であり、学習効率も改善されました。
- 非パラメトリック基準に対して相対L2誤差を最大64.2%削減し、さらに基準の学習エポックに対して4.4%以内で上回るなど、実用的な素材非依存熱推論に向けたスケーラブルな解を示しています。
