ハイパーネットワークを用いたニューラルODEによる異種材料の完全データ駆動逆同定

伸び方から学ぶことが重要な理由

航空機翼から人工心臓弁まで、多くの重要な材料は内部が均一ではありません。内部に硬い繊維や柔らかいポケット、あるいは強度の滑らかな勾配を抱えており、それらが使用時の挙動に大きく影響します。従来、技術者はそのような材料について数学的なモデルを仮定し、実験に合わせていくつかのパラメータを調整して数値シミュレーションを一致させてきました。しかしこれは材料が比較的単純で均質な場合にしかうまく働きません。本稿で要約する論文は新たな方法を提案します。特定の式を前提とすることなく、現代のニューラルネットワークを用いて、複雑な材料の微小領域ごとに引張・圧縮・せん断に対する応答をデータから直接推定するのです。

単点の突き試験ではなく全体を見る

隠れた剛性を調べる既存の手法は、試料のある一点に鋭い先端を押し当てるような非常に局所的な試験に頼ることが多い。これらの方法は微細な情報を分解能高く取得できますが、材料が実際に受けるような多方向の大変形といった実際の荷重条件を再現することはめったにありません。補完的なアプローチとして、デジタル画像相関のような全場計測技術があり、試験片上の何千もの点が荷重下でどのように移動するかを追跡します。こうした豊富な変位マップから各領域の変形量を計算できます。課題はこれを逆に解くことです：変形と境界力が与えられたとき、特に挙動が場所ごとに異なる場合、どのような基礎的材料挙動がそれらを生み出したのかを推定するにはどうすればよいか？

材料を記述するニューラル微分方程式を用いる

著者らはこの逆問題に対し、ニューラル常微分方程式（neural ordinary differential equations）と呼ばれる特殊なニューラルネットワークを用いて材料挙動を表現する方法で取り組みます。固定的な応力–ひずみの式を規定する代わりに、これらのネットワークをデータから学習させ、材料に蓄えられるエネルギー（したがって変形下で生じる応力）がデータから自ずと導かれるようにします。これらのネットワークは重要な物理的要件を自動的に満たすよう設計されています：無変形状態で応力を生じさせないこと、非負のエネルギーを蓄えること、大きなひずみに対しても数学的に良好な応答を与えることです。これにより、学習されたモデルは単にデータにうまく適合するだけでなく、基本的な力学原理と整合することが保証されます。

各点に固有の材料モデルを与える

不均質性に対処するため、手法は第2のニューラルネットワーク（ハイパーネットワーク）を追加し、試料内の各点に一意の材料パラメータを割り当てます。実質的にこのネットワークは空間座標を受け取り、その位置におけるニューラル微分方程式の内部設定を出力します。2つのネットワークを組み合わせることで、領域全体にわたる局所的な材料則の連続場が定義されます。学習は機械的釣り合いを直接課す損失関数によって駆動されます：予測された応力場は内部で平衡を満たし、境界上の既知の牽引力と一致しなければなりません。全場の変形勾配は、計測された変位から計算するかシミュレーションから直接取得し、必要な空間微分が正確に評価できるように滑らかに補間されます。

合成形状と実際の印刷サンプルでの検証

研究チームは枠組みを幅広いコンピュータ生成例で検証しています：P字やX字のインクルージョンを持つ単純な二相プレート、より非線形な材料、等方性と異方性領域の混合、測定ノイズを加えたリング状構造、滑らかに変化する「ガウス場」的な剛性パターンなどです。これらのテストにおいて、本手法は剛性の空間パターンと局所的な応力–ひずみ曲線の両方を信頼性高く復元し、多くの場合数パーセントの誤差に抑えられました。材料が方向性を持つことを事前に教えなくても、繊維状強化の向きさえ検出できる場合がありました。最後に、著者らは手書き数字を模した内部形状を持つ3D印刷エラストマーの実験にも本手法を適用します。画像ベースの変形計測のみを用いて、モデルはより硬いインクルージョンの位置と両相の伸び下での応答を再構築し、均一サンプルでの別個の試験とも良好に一致しました。

ノイズのある測定と実用的限界への対処

本手法は変位場の微分に依存するため、測定ノイズが性能を劣化させる可能性があります。著者らは合成データに制御されたノイズを加えて体系的にこれを検討しました。その結果、本手法は中程度のひずみ誤差まで正確性を保ち、同一の荷重を複数回繰り返すか異なる荷重タイプを混ぜることで実験数を増やすことがノイズを平均化し、復元された材料マップをより鮮明にするのに有効であると示しています。また、メッシュ生成や数値積分を避ける強形式での機械的釣り合いの課し方と、補助資料に記載されたより伝統的な弱形式の手法を比較し、どちらも同じ一般的枠組み内で実行可能であることを示しました。

実世界の材料にとっての意義

平たく言えば、この研究は複雑な物体がどのように変形するかを示す豊富な画像から、その内部の各点がどれだけ硬いか柔らかいか、そして様々な荷重に対してどのように応答するかの詳細な地図を作り出す手段を提供します。事前に少数の材料パラメータを仮定して推定するのではなく、材料力学の法則に従う局所挙動の場全体を学習します。これにより、内部変動が重要な複合材料、設計されたアーキテクチャ材料、生体組織などのより忠実なデジタルツインの構築が可能になります。さらに開発を進め、実験ノイズを慎重に扱えば、このようなデータ駆動の同定は従来の試験に強力な補完手段となり、エンジニアや科学者が不均質材料をその変形挙動に基づいて設計、診断、最適化する助けとなるでしょう。

引用: Taç, V., Amiri-Hezaveh, A., Bechtel, G.N. et al. Fully data-driven inverse characterization of heterogeneous materials with hyper-network neural ODEs. npj Comput Mater 12, 165 (2026). https://doi.org/10.1038/s41524-026-02027-8

キーワード: データ駆動マテリアル, 異種剛性マッピング, ニューラル構成モデリング, デジタル画像相関法, 逆力学