デジタルツインとML — 理論と支配方程式

デジタルツインとは、実世界の物理システムの仮想コピーをシミュレーションモデルとして構築し、センサデータとの同期を通じてリアルタイムに状態を監視・予測する技術だ。CAEの物理モデルに機械学習を組み合わせることで、高速な予測と適応的な更新を実現する。

決定的な違いは「生きている」点だ。通常のCAEは設計段階で一度実行して終わりだが、デジタルツインは運用中ずっとセンサデータを取り込んで自分自身を更新し続ける。これによって経年劣化、予想外の荷重、環境変化に対応した予測ができる。

状態空間モデルとして定式化される。システムの状態 $\mathbf{x}_k$ は時間発展方程式に従い、観測 $\mathbf{y}_k$ はその部分的な測定値だ。

ここで $f$ は物理モデル（FEM等）、$\mathbf{u}_k$ は入力（荷重等）、$\mathbf{w}_k$ はモデル誤差、$h$ は観測演算子、$\mathbf{v}_k$ は観測ノイズだ。MLは$f$の高速近似（サロゲートモデル）として、あるいはモデル誤差 $\mathbf{w}_k$ の学習に使われる。

FEMの$f$をそのまま使うとリアルタイム更新に間に合わない。MLで$f$を近似することで、秒単位の予測が可能になる。さらに、物理モデルでは表現しきれない劣化メカニズムや環境依存性をデータから学習できる。

3つのパターンがある。

1. ハイブリッド型: 物理モデルの出力をMLで補正する。$\hat{y} = f_{\text{physics}}(x) + f_{\text{ML}}(x, \text{residual})$

2. サロゲート型: 物理モデル全体をMLで置き換える。高速だが外挿性に課題

3. 物理制約埋込型: PINNのように物理法則を損失関数に埋め込んだMLモデルを使う

実用上はハイブリッド型が最も信頼性が高い。物理モデルで大局的な挙動を捉え、MLで残差を修正する構成だ。