FLARE：指向性エネルギー堆積における変位場を予測するためのデータ効率の高いサロゲート

arXiv cs.LG / 2026/4/21

📰 ニュースDeveloper Stack & InfrastructureSignals & Early TrendsModels & Research

共有:

要点

本論文は、幾何形状とプロセス条件から、指向性エネルギー堆積（DED）における冷却後の変位場を予測するためのデータ効率の高いサロゲートモデリング手法FLAREを提案する。
FLAREは、熱機械連成の高コストな有限要素シミュレーションの代替として、暗黙のニューラルフィールド表現を用い、入力パラメータ空間のアフィン構造に沿うようネットワーク重みを正則化する。
著者らはオープンソースの有限要素シミュレーション手順で前提形状ベースのDEDを構築し、幾何形状・レーザ出力・堆積速度を変えたシミュレーション群を作成し、製造過程全体で変位・応力・ひずみ・温度のフルフィールド情報を得ている。
DEDベンチマークで、FLAREは学習範囲内（in-distribution）および学習していないパラメータへの外挿（extrapolation）の両方で、ベースライン手法より高い精度を示す。
本研究は、変位予測に限らず、計算負荷の高い物理場を対象としたデータ効率の高いサロゲートモデリングへ、この「アフィンな重み空間再構成」枠組みが拡張可能であることを示唆している。

Abstract

指向性エネルギー堆積（DED）は、歪みや製造部品の寸法精度の低下につながり得る複雑な熱機械応答を生み出します。熱機械有限要素シミュレーションは、これらの影響を推定するために広く用いられていますが、その計算コストと、DED物理を正確に捉えることの難しさが、設計反復やプロセス最適化における利用を制限しています。本論文では、幾何学的およびプロセスパラメータからDEDの冷却後変位場を予測するための、データ効率の高いサロゲートモデリングの枠組みであるFLARE（Field Prediction via Linear Affine Reconstruction in wEight-space）を提案します。オープンソースの有限要素フレームワークを用いて、あらかじめ定められた形状のDEDシミュレーション手順を開発し、形状、レーザ出力、堆積速度を変化させたシミュレーションのデータセットを作成します。各シミュレーションは、製造プロセス全体を通じて、全場の変位、応力、ひずみ、温度データを提供します。FLAREは各シミュレーションを暗黙的ニューラル場として符号化し、対応するニューラルネットワークの重みを正則化して、入力パラメータ空間のアフィン構造に従うようにします。これにより、学習例をアフィン混合することでネットワーク重みを再構成し、未知のパラメータ組合せを予測できるようになります。このDEDベンチマークにおいて、本手法は、分布内および外挿の両設定において、基準となる手法と比較して精度が向上することを示します。本研究はDEDの変位予測に焦点を当てていますが、提案するアフィン重み空間再構成の枠組みは、物理場のデータ効率の高いサロゲートモデリングに対する有望なアプローチを提供します。