最適化された深層学習と大規模言語モデルを用いたコンクリート圧縮強度の予測

安全で環境にやさしい建物のためになぜ重要か

コンクリートは住宅や橋梁、トンネルを支えますが、その強度を確かめるには通常、数週間の試験結果を待つ必要があります。本研究は、高度な人工知能を用いて、配合レシピだけから迅速かつ高精度にコンクリート強度を予測できる可能性を探ります。より速く、信頼できる予測が得られれば、技術者は安全な構造を設計しやすくなり、実験室での無駄な試行錯誤を減らし、工業副産物のような低炭素材料の利用を促進できます。

乱れた実験データから整ったデジタル材料記述へ

研究者らは大規模な公開コンクリート配合データセットから出発します。各エントリにはセメント、スラグ、フライアッシュ、水、化学添加剤、砂、砂利、養生時間の使用量と、最終的に測定された強度が記載されています。実世界のこの種のデータはしばしば不整合で、測定値が欠けていたり単位が異なったり、異常値が混入したりします。これに対処するため、チームはテキスト処理に使われる大規模言語モデルを利用してデータの整備と再構築を支援します。これらのモデルは、値の範囲チェック、命名や単位の突合、総合剤比（例えば水材比）のような意味のある派生量の作成、異常値の処理などをガイドします。目標は、ノイズだらけの表計算を物理的意味を備えた整合的な配合記述に変換し、学習アルゴリズムが扱える形にすることです。

配合と時間の両方を“見る”ネットワークの教育

コンクリートの強度は配合だけで決まるものではなく、材料が養生するにつれて日々どのように強度を増すかも重要です。従来の多くの予測手法は配合に注目するか時間変化に注目するかのどちらかに偏りがちでしたが、本研究はそれら両方を同時に扱います。本手法は時空間グラフ畳み込みネットワークを用いており、各材料成分（セメント、水、スラグ、添加剤など）をネットワーク上のノードと見なし、それらの相互作用の強さを反映するつながりを持たせます。同時に時間軸に沿って観察し、これらの組み合わせが養生に伴ってどう強度を獲得するかを学習します。結果としてモデルは「高セメント量かつ低水量は通常速く高い強度をもたらす」といったパターンを学ぶ一方、スラグや灰、化学薬品が異なる養生期間で果たす微妙な役割も捉えます。

“人間らしい”最適化手法でAIを調整する

強力なニューラルネットワークでも、学習率や層数、フィルタサイズといった内部設定が適切でなければ性能を発揮できません。手作業で調整する代わりに、著者らはiHow最適化アルゴリズムと呼ばれる新しい最適化手法を使います。人の学び方に着想を得たこの手法は、多様な設計候補を広く探索する段階と、有望なものを集中的に洗練する段階を交互に行い、これまでに有効だったものの内部メモリを保持します。このオプティマイザはグラフベースモデルのネットワーク設計や学習設定の探索を行い、過学習を避けつつ予測誤差を最小化することを目指します。同じ最適化の考え方は特徴選択にも適用され、入力項目を最も情報量の大きいものに絞り込み、モデルを小型で解釈しやすい状態に保ちます。

他のAI手法と比べてどれほど有効か？

チームは、標準的な深層ネットワーク、ビジョン用トランスフォーマー、変分オートエンコーダ、物理を取り入れたネットワーク、粒子群や遺伝的アルゴリズムなど複数のメタヒューリスティック最適化手法を含む幅広い代替手法と比較実験を行っています。また、異なる言語モデルに基づく四つの前処理パイプラインを検証し、データの整備と特徴生成が下流の精度を顕著に改善することを示しています。これらすべてのテストにおいて、iHow最適化と時空間グラフネットワークの組み合わせが最も低い予測誤差と実測強度との高い整合性を示しました。分散分析やノンパラメトリックの順位検定を含む統計的検証により、これらの改善が偶然によるものではないことも確認されています。

今後の建設実務にとっての意味

平たく言えば、本研究は、慎重に調整されたグラフベースのAIモデルが、適切に整備されたデータを与えられれば従来手法よりもはるかに信頼性高くコンクリート強度を予測できることを示しています。成分と養生時間の相互作用を捉え、「学習するために学習する」タイプのオプティマイザで自身を微調整します。著者らは、この手法を建築基準やプラント制御システムに組み込む前により多様な実世界データでの検証が必要だと強調していますが、既に技術者がコンピュータ上で環境負荷の低い配合を自信を持って試行できる未来を示唆しています。

引用: Zaman, S., Eid, M.M., Mattar, E.A. et al. Predicting concrete compressive strength using optimized deep learning and large language models. Sci Rep 16, 11076 (2026). https://doi.org/10.1038/s41598-026-41072-7

キーワード: コンクリート強度予測, 建設分野の深層学習, グラフニューラルネットワーク, 最適化アルゴリズム, 持続可能なコンクリート材料