PRODUCT SMART UQ
- ホーム >
- SmartUQ
エンジニアのための機械学習と不確かさの定量化ソフトウェア
SmartUQは、実世界のばらつきや確率的な振る舞いを考慮したエンジニアリング解析を支援するAI・機械学習ソフトウェア です。シミュレーションや実験データを効率的に活用し、サロゲートモデル（代替モデル） を構築することで、設計・解析の精度向上を実現します。特に、デジタルツインの構築やCAE解析の最適化 に適しており、自動車、航空宇宙、医療機器、半導体、エネルギー、土木など、多様な業界で活用されています。 SmartUQは、設計者やプロセスエンジニアのために品質工学の考えを取り入れ、最新の実験計画法（DOE）やインテリジェントなサンプリングアルゴリズムを活用したモデリングを可能にします。さらに、ガウス過程やニューラルネットワークを用いた機械学習 により、設計空間の探索、確率的最適化（ロバスト最適化）、信頼性解析、感度解析、不確かさ伝播、逆解析、ベイズ推定によるモデルキャリブレーションなどの高度な解析を実現します。加えて、統計的工程管理（SPC）ツールも備えており、製造プロセスの最適化 にも対応可能です。 SmartUQの特長は、CAEやシミュレーションの計算負荷を軽減しながら、高精度な確率的モデリングを提供する点 にあります。従来のシミュレーションだけでは困難だった不確実性を考慮した意思決定 を支援し、デジタルツインの実現を加速させます。さらに、直感的なGUIと豊富な可視化機能 により、エンジニアがデータを容易に解析し、より信頼性の高い設計を行うことが可能です。 SmartUQを活用し、設計・製造DXを推進しながら、ばらつきや不確かさを考慮した最適な意思決定を行いませんか？
SmartUQは機械学習に必要なツールが全てパッケージ化されています
Step1
データ準備/前処理
(Data Preparation)
CAEや実験のための実験計画法（DOE)や既存のデータを使ったデータサンプリングは、専用の知識は不要でお使いいただけます
Step2
モデル構築/評価
(Modeling・Evaluation）
オートパラメータチューニングや様々なモデルの自動比較機能により誰でも簡単に予測モデルが構築できます
Step3
ポスト解析機能の活用
(Analysis)
可視化のための豊富な解析結果を、洗練されたGUIを使って簡単に共有できます。またPythonAPIも利用可能です
SmartUQ はアメリカ、 ウィスコンシン州を本拠地とする、CAEシミュレーションや実験、および設計・製造プロセス最適化のための独自のAI・機械学習と不確かさの定量化ソリューションを提供するソフトウェアおよびコンサルティング会社です。 世界トップクラスの統計専門家チームが率いるSmartUQ は、エンジニアリングにおける実験やシミュレーションからのガウス過程による確率的モデリング、不確かさの定量化（UQ）、デジタルツイン、信頼性評価(V&V)、プロセスインフォマティクスの分野で豊富なバックグラウンドを持っています。
エンジニア向けの専用パッケージツールなので初めての方でもすぐ使えます
強力でありながら直感的なインターフェースを持つSmartUQは、品質設計の担当者や製造プロセスエンジニアだけでなくCAEの解析エンジニアや、設計・開発の方々を対象に作られています。SmartUQの洗練されたユーザビリティを持った操作性により、実験や製造などのばらつきのあるデータやCAEのデータから直ぐに予測モデルを構築することができます。設計空間探索をリアルタイムで行い、複雑な解析をこれまで以上に簡単に実行できます。
単体だけでなくお使いのツールと組み合わせても利用できます
不確かさの定量化の基礎の一つは、機械学習による正確な予測モデルの構築ですが、お客様の中には、ばらつきの大きい少数の実験データからビックデータまで簡単にモデル構築可能なSmartUQの強力な予測モデルの機能のみを単独のツールとして使用している方もいらっしゃいます。SmartUQのPython APIを使って、SmartUQの各ツールをシームレスにお客様のワークフローに統合することができ、GUIのメリットを最大限に活かしながら、解析にかかる時間を大幅に短縮します。また、SmartUQにはお使いのCAEツールとの統合機能も組み込まれています。またFMI規格に対応したモデルのエクスポート機能も対応しています。
業務にマッチさせてモデル化できます
SmartUQの予測モデルは、シミュレーションモデル、プロセス製造ライン、時系列での運用データ、センサー、デジタルツインなどのデータセットを用いて構築することができます。SmartUQの予測モデルの用途としては、数値シミュレーションのサロゲートモデル（代理モデル）の構築や、ロバスト最適化設計、最適運転条件探索、仮想センサーの開発、根本原因の解析などがあります。既存のデータセット、またはシミュレーション結果のデータを使用して、希望する精度が達成されるまで学習モデルの構築を繰り返すことができます。
SMARTUQ 関連動画
SMART UQについて
SmartUQは業界規模の複雑性を持つデータでの不確かさの定量化を提供します
予測分析
エンジニアのための機械学習や予測分析機能を備えたSmartUQ
不確かさの定量化とは何か
SmartUQでリスクを管理・低減する
なぜ不確かさの定量化？
確率的な結果を活用し競争力を高める
不確かさの定量化（Uncertainty Quantification: UQ）とは？
不確かさの定量化は、最適化と意思決定の両方のプロセスにおける不確かさの低減において極めて重要な役割を果たします。SmartUQは下記のような包括的なフレームワークを提供します。
- 確率モデルの構築：ガウス過程により予測の不確実性を考慮します。
- 感度解析：結果に影響を与える可能性のあるパラメータをランク付けします。
- 不確かさ伝播とロバスト最適化：ばらつき入力が出力分布に最も大きな影響を与えるかを考慮した最適化
- 統計的キャリブレーション：シミュレーションモデルと物理テストの間の不一致や不確かさを可視化します。
- ベイズ逆解析：物性値や係数などの任意のモデル入力パラメータに対して、実測値を使って実際の値や分布を推定します。
エンジニアリングのための予測分析
予測分析は、リアルタイム解析や将来のイベントを予測するための予測モデルを開発するために使用される、一連の高度な解析技術を含みます。シミュレーションモデリング、製造、運用データ、センサーデータなど、あらゆる種類のデータセットを使用し、学習を終えたSmartUQの予測モデルは、設計空間探索、統計的工程管理やリスク分析などの複雑な解析を素早く実行し、お客様のチームに競争上の優位性をもたらします。以下は、SmartUQの予測分析の応用例です。
- 実験やシミュレーション実行数の低減のための実験計画法やベイズ最適化
- バーチャルセンサーと予知保全でのサロゲートモデル活用
- 機械学習を活用した設計空間探索とプロセス最適化
- モデルのキャリブレーションと検証と妥当性確認（V&V）
- 実測値によって刻々とモデルを更新できるデジタルツインモデル
意思決定のための不確かさの定量化
シミュレーション、物理的なテスト、センサー、デジタルツインなど、データの出所がどこであれ、不確かさの要素は常に存在します。決定論的な点推定に頼ってしまうと、的外れな結果となり、コストがかさむ可能性があります。不確かさの定量化を用いてすべての可能な結果を確率的に考慮することで、意思決定プロセスを最適化し、リスクを減らし、結果に自信を持つことができます。
SmartUQは、以下のようなあらゆる種類のデータからの意思決定を最適化することができます。
- ばらつきの影響を考慮した製造プロセス
- 積層造形（３Dプリンタ）や医療機器などの不確かさの影響を考慮
- 実測データとモデルを融合するためのデジタルツイン
- ラボで構築したモデルを使って仮想センサー
- 様々なシミュレーションソフトウェアとの連携
解析による加速化：限られたデータからの洞察を最大化
時間とリソースは常に限られており、わずかなデータポイントに基づいて重要な意思決定をしなければならないこともあります。SmartUQは、少数のデータから最大限の情報を得るためのサポートをします。
-
既存のデータを利用しながら、新しいデータのサンプリングを行うベイズ最適化による適応的実験計画法
-
必要な場合にのみデータセットを改良・追加するためのダイレクトサンプリング技術
-
高精度なエミュレーション（機械学習モデル）により、リアルタイムで設計空間探索
-
設計とテストの手戻りを減らし、時間とリソースを節約（付属のPythonAPIやコマンドラインによる自動化が可能）
統計的キャリブレーション：実測データを使ったパラメータ推定とモデル補正
シミュレーションの忠実性や予測能力を向上させるためには、CAEのモデルに対して実測データを使ったキャリブレーションが有効です。SmartUQには、ハイブリッドな実験計画法を生成したり自動化された統計的キャリブレーションなど、モデルのキャリブレーションを促進する専用ツールが用意されています。最適なパラメータを逆解析により素早く見つけ出し、CAEのモデルをキャリブレーションした上で、最終的な応答の不一致（誤差）を定量化できることで、モデルの検証を向上させます。VVUQ（検証、妥当性確認と不確かさ定量化）のためのツールとしても活用いただけます。
不確実性はどこにでもあります
すべてのシステムには不確実性（不確かさ）がつきものです。不確かさは、測定精度、材料特性、使用シナリオ、モデリングの近似性、将来の未知の事象などから発生します。モデルの境界条件、初期条件、およびパラメータの不確かさにより、すべての要求を満たしているか、最適であるか、等重要な質問に自信を持って答えることが難しくなります。
解析を次のレベルに引き上げる
以下を含む幅広い機能を提供します。
データサンプリング
DATA SAMPLING
既存の（実験データや計測データ等の）大規模データセットをサンプリングするための2つのオプションがあります。サブサンプリングとスライスサンプリングです。
実験計画法(DOEs)
DESIGN OF EXPERIMENTS
最新の実験計画法(DOE)技術は、CAEでのシミュレーションや実験のために最も代表的な入力構成を選択し、必要な実行回数を最小限に抑えながら、各実行から得られる情報を最大化します。
エミュレーション（予測モデル構築）
EMULATION
統計モデルや、代理モデル、サロゲートモデルとも呼ばれる、複雑な物理的システムやシミュレーションされたシステムの出力を、一連の入力に対して模倣する統計予測モデルのことです。
統計的キャリブレーション
STATISTICAL CALIBRATION
モデルの出力値と現実の実測値との間の応答の一致させるためにモデルを調整または改良する方法のことで、実験結果とシミュレーション結果の間の一致またはリンクを最大化するキャリブレーションパラメータの値のセットを見つけることによって行われます。
感度解析
SENSITIVITY ANALYSIS
感度解析は、どの入力パラメータが出力にとって最も重要で、どの入力パラメータが無視できるかを示すので、ロバストな解を見つけたり、モデルを単純化するのに役立ちます。
不確かさ伝播
UNCERTINTY PROPAGATION
不確かさ伝播は、システムの入力における不確かさがシステムの出力に与える影響を計算します。この情報は、システムの出力に対する信頼性を定量化する際に重要です。
最適化
STATISTICIAL OPTIMIZATION
統計的最適化は、最適な結果を得るために必要な評価データの回数を最小限に抑え、設計空間を高速に評価でき、分類や離散データ、複数の制約条件、多目的最適化など、多くの入出力タイプに対応しています。
逆解析
INVERSE ANALYSIS
逆解析は、システムのモデルとそれに対応するノイズを含んだデータを用いて、システムの未知の確率的パラメータを明らかにします。ベイズ逆解析は、パラメータの値、不確かさ、分布を定量化する上で重要な役割を果たします。
MAIL FORM24時間受付
