最適化された構造設計レコメンダーシステム — AIベースの船舶設計最適化のための二段階ソリューション
序論
特定の特性を持つ新しい構造要素の発見と設計は、海事産業における技術を前進させるうえで重要です。基本設計の段階は比較的速いプロセスですが、船舶のライフサイクルにおいて不可欠な部分です。基本設計の品質が下流に及ぼす影響を測定するのは容易ではありません。詳細設計段階でのエラー、生産における高コストな変更、運用における効率・予測可能性・収益性の欠如は、いずれも経験豊富な造船工学者が新造船の構成を定義する際に考慮するのが難しい側面です。これらの側面は、船舶のコスト、性能、重量、復原性、安全性、製造性に直接的な影響を及ぼします。
従来手法と最適化ベース手法の限界
設計発見への従来のアプローチは時間とコストがかかり、イノベーションの速度を制限します。最適化アルゴリズムに基づくCFD計算などの解析手法や、OCXのような汎用データ交換標準における近年の進歩は、このプロセスを大幅に加速させました。しかし、こうした手法でさえ、データの複雑さ、ステークホルダーの数、関与するプロセスによって制約を受けることがあります。
さらに従来のアプローチは、設計とエンジニアリングの間に明確な線を引きます。初期設計モデルが船舶の基本特性（造船工学的・機能的側面）に焦点を当てるのに対し、詳細設計と生産設計はレイアウトの細部と生産・建造データの生成を扱います。この分離はしばしば設計上の考慮漏れを生み、より関連づけられたシステムであれば防げたはずの潜在的エラーにつながります。
構造発見における機械学習の登場
近年、機械学習のアプローチが新構造のレコメンダーシステムの有望なツールとして登場し、ソーシャルネットワーク、サイバーセキュリティ、分子設計、創薬で特に顕著な成功を収めています。これらの手法は、過去の設計から得た貴重な知識を保持しつつ、設計発見と最適化に伴うコストを劇的に削減する可能性を秘めています。中でもグラフニューラルネットワーク（GNN）は、構造や要素間の複雑な相互作用を自然に表現できる能力から、例外的な有望性を示しています。
本論文は、1）コンピュータサイエンスのアプローチを用いて船舶設計を最適化問題として定式化し、2）既存の標準と最適化手法を活用し、3）現代の深層学習技術を適用して船舶の収益性を理解する、というソリューションを提案します。
本論文は、人工知能を船舶設計に組み込むための実践的なアプローチを提示します。このテーマについては広範な議論があるにもかかわらず、具体的な方法論が不足しています。私たちの提案は、船舶設計プロセスの基本的な要素、特にデータモデル表現に焦点を当て、AI統合に適したデータ表現と保存の堅牢な戦略を推奨します。
最新動向（State of the art）
人工知能
人工知能はコンピュータサイエンスの一分野であり、環境から知覚を受け取り、それに応じて行動を実行する知的エージェントの研究に焦点を当てています。RussellとNorvig（2022）は、知的エージェントを、知覚の系列を行動に対応づける関数を実装するエージェントと定義しています。AIの目標は期待効用を最大化しようとすることであり、その効用情報（目的）はシステムの人間設計者によって与えられます。かつてはエージェントの目的は固定されAIシステムに既知でしたが、現代のアプローチではそうではなく、システムは自らが代理として動作する人間の真の目的について不確実であることがあります。目的について不確実なままでも、効用関数を適切に最大化することを学習しなければなりません。
AIエージェントは、世界について観察を行った後に性能を改善するならば、学習していると言われます。これが機械学習です。コンピュータがデータを観察し、それに基づいてモデルを構築し、そのモデルを世界についての仮説としても、問題を解決できるソフトウェアの一部としても用います。現代の機械学習は人間の脳の生物学から着想を得ており、そこではシナプスを通じて通信するニューロンのネットワークを介して学習が起こります。データの可用性と計算能力の指数関数的な増大に伴い、科学者は複数のニューラルネットワークを層状に用いることを導入し、深層学習の分野が生まれました。
学際的な観点から知能を定義する
AIの歴史は比較的浅く、その本質は「知能」の定義に焦点を当てています。知能そのものには単一の解釈が存在せず、哲学や神経科学から経済学に至るまで、さまざまな分野で研究されているため、人工知能の進化は、こうした多様な視点と密接に結びついています。
AIエージェントは、外界を観察した後にその性能が向上する場合、学習していると見なされる。これを機械学習と呼ぶ。すなわち、コンピュータがデータを観察し、そのデータに基づいてモデルを構築し、そのモデルを外界に関する仮説として、また問題を解決できるソフトウェアとして活用するものである（Russel & Norvig, 2022）。
学習を通じてAIエージェントを時間とともに改善することに焦点を当てた機械学習の一分野である「現代の機械学習」は、シナプスを介して通信するニューロンのネットワークを通じて学習が行われる人間の脳の生物学から着想を得ています。 機械学習では、人工ニューラルネットワークについて論じられます。データの入手可能性と計算能力の指数関数的な増加に伴い、科学者たちは複数のニューラルネットワークを層状に組み合わせる手法を導入し、ディープラーニングという分野が生まれました。 この進展は、生物学にインスピレーションを得たニューロンから、アルゴリズムの最適化や大規模なエンジニアリングへの重点移行を意味しており、そこでは「ニューロン」（自己アテンションヘッド、MLPチャネル）が、並列処理と統計的効率を最大化するために自由に再設計されています。
図1、人工知能の分野
学習には主に3つの種類があります。教師あり学習では、エージェントは入力と出力（ラベル）のペアという形で提供された入力データを観察し、数学的関数を介して入力を出力に写像することを学習します。教師なし学習では、エージェントは明示的なフィードバックなしに、入力データの中のパターンを学習します。 強化学習では、エージェントは「強化」と呼ばれる報酬や罰から学習します。エージェントの目標はより多くの報酬を獲得することであり、どの行動がその結果につながったかを自ら判断し、将来より多くの報酬を得るために行動を調整します。
生成AIと埋め込み空間
生成AIは深層学習の一分野で、入力された要求に基づいて新しい未見のコンテンツを生成することに焦点を当てます。ChatGPTのようなアプリケーションは、テキスト、画像、音声、動画を含む非構造化データで訓練された大規模言語モデルや大規模マルチモーダルモデルを使用します。この非構造化データは「埋め込み（embedding）」と呼ばれる深層学習表現に変換されます。埋め込みとは、入力データの本質的な特徴を捉える多次元の数値表現であるベクトルです。埋め込み空間におけるこれらのベクトルの近さは、それぞれのデータ点の類似性を示します。例えば言語モデルでは、関連する意味を持つ単語が、この高次元空間で互いに近いベクトルによって表現されます。
学習には主に三つのタイプがあります。教師あり学習では、エージェントが入力と出力（ラベル）のペアの形で与えられた入力データを観察し、数学的な関数を介して入力を出力に対応づけることを学びます。教師なし学習では、エージェントは明示的なフィードバックなしに入力データのパターンを学びます。強化学習では、エージェントは「強化」と呼ばれる報酬と罰から学習します。
図2、単語埋め込みの例（Rosado, 2020）
表1. 生成AIと従来型AIの利用状況の概要
グラフニューラルネットワーク（GNN）
グラフは、関連する要素のネットワークを表現する方法です。グラフはノード（頂点）とエッジで構成されます。ノードはネットワークの要素（例：ソーシャルネットワークの人々、分子設計における分子内の原子）を表し、「特徴量」と呼ばれる属性を持ちます。エッジはノード間の関係を表し、有向にも無向にもなり得ます。
グラフは非ユークリッド空間であり、グラフ内の2つのノード間の距離は、ユークリッド空間における座標間の距離と必ずしも等しくありません。このため、テキストや画像に用いるのと同じ仕組みで埋め込みによって表現するのは困難です。したがって、従来のニューラルネットワークをグラフに適用するのは難しいのです。
グラフニューラルネットワーク（GNN）は、グラフデータから学習するために使える深層学習モデルの一種です。GNNは、メッセージパッシングの仕組みで情報を集約することにより、隣接するノード間の複雑な関係を捉えます。あらゆるGNNは二つの主要なプロセスで構成されます。第一のプロセスではノードの計算グラフが決定され、第二のプロセスではそれが計算グラフ上で伝播・変換されます。
グラフの分類と学習課題
(Khemani, Patil, Kotecha, & Tanwar, 2024) は、GNN に関する包括的な研究を最近実施した。グラフの構造、その種類、および学習タスクは、グラフの3つの主要な特性である。 グラフの構造は、構造が明示的な場合（例：船舶の構造配置）には「構造的」と呼び、構造が暗黙的な場合（例：テキストの「単語」グラフ）には「非構造的」と呼ぶことができる。 グラフは、有向・無向、同質・異質、ナレッジグラフ、静的・動的、転導的・帰納的の5つのカテゴリーに分類できる。
有向グラフは、あるノードから別のノードへの流れを示す特定の方向を持つ辺によって特徴づけられます。一方、無向グラフでは、辺に特定の方向が定められていないため、ノード間で双方向の相互作用が可能となります。動的グラフの性質や構造は、時間の経過とともに変化します。 同種グラフには、1種類のノードと1種類の辺のみが存在します。一方、異種グラフには、異なる種類のノードと辺が存在します。 (h, r, t) または (s, r, o) の形式を持つトリプル配列は、ナレッジグラフ（KG）として表現できます。ナレッジグラフとは、エンティティノードと関係エッジからなるネットワークであり、各トリプル (h, r, t) は単一のエンティティノードを表します。 エンティティのヘッド（h）とテール（t）の関係は r で表される。この観点から、ナレッジグラフは異種グラフと見なすことができる。ナレッジグラフは、現実世界の複数のオブジェクトとその関係を視覚的に表現するものである。 伝達型グラフでは、グラフ全体が入力として与えられ、主な目的は有効なデータのラベルを予測することである。帰納型グラフも完全なグラフを使用するが、バッチ内のサンプルのみが考慮され、主な焦点は有効なデータのラベルに対する予測を行うことにある。 (Khemani, Patil, Kotecha, & Tanwar, 2024)。グラフニューラルネットワーク（GNN）は、グラフデータから学習するために使用できる深層学習モデルの一種である。GNNは、メッセージパッシング機構においてこの情報を集約することで、隣接するノード間の複雑な関係を捉える。
図3、メッセージ伝達メカニズムの図解（Khemani、Patil、Kotecha、& Tanwar、2024）
グラフニューラルネットワークは、主に2つのプロセスで構成されています。最初のプロセスではノード計算グラフが決定され、2番目のプロセスでは、その計算グラフ上で情報の伝播と変換が行われます。この計算グラフは、基盤となるニューラルネットワークのアーキテクチャを定義します。これにより、グラフ構造全体にわたって情報が伝播され、ノードの特徴量やノード埋め込みが計算されます。
図4、グラフ計算の原理を示す図（Leskovec, 2024）
図5、グラフにおける特徴ベクトルの表現（Leskovec, 2024）
GNNのアーキテクチャと応用分野
グラフニューラルネットワーク（GNN）にはさまざまな種類が存在する。最適なGNNのアーキテクチャは、具体的な問題によって異なり、データを表すグラフの種類を分析することで決定することができる。
GNNは、複雑なデータネットワーク内で動作できるという特性から、広く普及し、さまざまな分野で成功裏に活用されています。GNNは、レコメンデーションシステム、交通量予測、異常検知、3Dシーン生成などに利用されています。 最近では、創薬や分子設計への応用も成功しています。海事分野では、Liら（2023）が、GNNに基づく複数港における船舶交通量の予測に関する研究を行っています。
ディープグラフ生成モデルは、入力として与えられたグラフを起点とし、そのグラフの特性を学習することで、同種のグラフの新たなインスタンスを生成できるようにします。図5には、これを簡略化した形式的な定義が示されています。
グラフ生成の歴史：
ステップ1：実世界のグラフの特性。優れたグラフ生成モデルは、これらの特性
に合致しているべきである。ステップ2：従来のグラフ生成モデル。それぞれが、グラフの形成プロセス
について異なる仮定を置いている。ステップ3：深層グラフ生成モデル。データからグラフの形成プロセスを学習する。
図6、グラフ生成モデルの目標定義
構造設計
構造的な船舶設計は複数の分野を統合する複雑なプロセスであり、それゆえ学際的最適化問題として位置づけられます。荷重、疲労、損傷シナリオなど様々な条件下で、船舶の物理的健全性と性能を確保することが不可欠です。構造は燃費を高めるために軽量でなければならず、同時に造船所で効率的に建造できる必要があります。加えて、材料費と人件費は予算内に収まらねばならず、設計は船級協会のルールに適合しなければなりません。ライフサイクルと保守性の考慮も、設計プロセスに組み込むべき重要な要素です。
人類は古くから建造物を築いてきました。当初、伝統的な設計は過去の事例を基にしており、主に経験に基づいて改良が加えられていました。 このアプローチは、数学や物理学に基づく解析を取り入れ、一般的な設計のための規則（クラス規則、建築基準法など）を確立し、さらに最近では、相互作用する様々なプロセスやシステムを数値的にモデル化するシミュレーション技術も取り入れた、現代の工学設計へと発展しました。私たちの提案は、人工知能の支援を受けた「斬新さを原動力とする設計」という概念を導入することで、この分野の発展を目指すものです。
構造挙動と構成要素間の相互作用
船舶構造物の挙動は単純明快です。構造物は複数の部品から構成されており、単一の物体とは区別されます。梁や板は構造要素とみなされますが、これらの要素の集合体のみが「構造物」と呼ばれます。 構造理論は、「材料力学」（固体力学や材料強度学とも呼ばれる）という分野を基盤とし、構造構成要素の集合体における相互作用や複合的な挙動を考察するものである。したがって、我々の構造レコメンデーションシステムは、これらの構成要素の集合体内のパターンを特定することに焦点を当て、最適な設計構造を提案する。
船舶は既知の構造文法に従う部品の集合体です。構造は次のように分けられます。
- 一次構造（Primary）：船体桁（ハルガーダー）や船側外板など、主要な全体荷重を担う
- 二次構造（Secondary）：二重底や床板など、システムとして機能する大型部品
- 三次構造（Tertiary）：フレームや板材など、個々の部材
例えば、船体中央部は、甲板板、舷側殻、底板、内底板、甲板・舷側殻・底板に沿った縦方向の補強材、および数フレームごとに配置された横方向の補強材で構成されると見なすことができる。 ゾーンレベルの分類には、メインデッキパネル（桁、縦材、補強板）、二重底（床、底板、内底、縦材）、および隔壁ゾーン（垂直板、水平補強材、カラー）などが含まれます。 構造部材の詳細な例としては、プレート（厚さと材質を指定）、補強材（間隔、サイズ、向きを定義）、および両端のブラケットで構成される補強プレートパネルが挙げられます。 もう1つのより単純な例として、ウェブプレート（高さと厚さが詳細に指定されている）、フランジ、およびアクセス用または軽量化のための切り欠きで構成される桁が挙げられる。
ハル桁の挙動と全体的な強度
船舶は梁のように曲がり、その船体は箱型の桁と見なすことができる。甲板と底板は船体桁のフランジを形成しており、桁のウェブを形成してせん断力を負担する側板に比べ、縦方向の強度にとってはるかに重要な役割を果たしている。（ブルース）
高度な船舶設計用CADソフトウェアは、船舶設計構造の論理的な順序を活用し、構造要素間の関係（トポロジー）を維持します。 さらに活用される高度な機能として、相互運用性があります。これは、他の設計段階への影響を評価するためにデータを交換する能力を指します。これら2つの不可欠な機能を踏まえ、当社の現在の手法では、これらの機能を活かして次世代の船舶構造データシステム、すなわち「AIネイティブ船舶構造システム」を実現する、革新的な船舶構造データの閲覧アプローチを提案しています。 AI機能を備え、すべての設計フェーズで活用可能な形式でのデータ表現に取り組むことで、将来を見据えた船舶構造システムの青写真を提示します。
新しい船舶構造設計レコメンダーのコンセプト
概念モデル・パイプライン
構造設計は高度にモジュール的であり、設計者はしばしばパターンを再利用します。私たちのモデルは、グラフベースのAIを用いてその推論プロセスを再現することを目指します。
提案するコンセプトモデルの目標は、造船工学的な設計ルール、性能基準（強度・剛性・重量・復原性）、生成的探索に導かれながら、船体内の構造部品（隔壁、補強材、桁など）の最適なグループとその空間配置を推奨することです。モジュール化された構造ゾーンを設計する実世界の実務を反映するため、本手法は独立したノード単位の組み立てではなく、サブグラフ生成（接続された部品のモチーフの生成）に焦点を当てます。
私たちの最適化された船舶構造レコメンダーシステムは、三つのAIの柱で構成されます。
- グラフニューラルネットワーク（GNN）：過去の構造レイアウトから、設計ロジックと構造的文脈（文脈を認識した設計理解）を学習する
- サブグラフ生成：個々の要素ではなく構造（設計グループ）を扱い、実際の設計作業を模倣する。サブグラフは恣意的なクラスタではなく、補強板などの設計上意味のあるまとまりとなる
- 強化学習（RL）：全体構造のレイアウトを探索・最適化する。RLエージェントは試行錯誤型の最適化器であり、例えば重量の最小化や製造性の向上のため、実世界のフィードバック指標を用いて解を洗練する
船舶の設計とエンジニアリングには長い伝統があり、機能面および製造面の双方において広範な規則が確立されています。また、造船所ではベストプラクティスに関する知識ベースも構築されています。サブグラフの生成においては、確立されたグラフ文法規則と、既存の船舶構造から学習した生成手法に基づいたハイブリッドなアプローチを採用することができます。 規則チェックは、補強材や板パネルなどの個々の要素を対象とする「ノードレベル」と、接続された要素のグループを対象とする「サブグラフレベル」の2つのレベルで適用でき、複合剛性などの基準を評価することができる。その後、候補となるサブグラフはルールエンジンを通過する。
この研修は、以下の2つの段階で構成されています：
- まず、事前学習段階（教師あり学習段階）が完了し、この段階でモデルは既存の構造データを用いて学習を行い、有効な構造パターン（モチーフパターン）を学習する
- 事前学習の後、強化学習段階が始まり、パフォーマンスのフィードバックとルール順守に対する報酬を用いて、最適なサブグラフ生成に向けたポリシーを微調整します。エージェントはモチーフの構築を繰り返しながら、パフォーマンスに基づく報酬を受け取り、より高得点のサブグラフを優先するようにポリシーを更新します。
強化学習エージェント
一般的に、強化学習エージェント（図7）は環境を観察し、環境と相互作用するための行動を取り、正または負の報酬を受け取ります。
図7、RLエージェント（Leskovec, 2024）
概念的に最適化されたレコメンデーションシステムの環境は、候補ゾーンのサブグラフの符号化された表現（ノードの特徴、エッジの接続性、グラフのトポロジー）で構成されます。ルールは環境における制約を表しており、ルールに違反すると、負の報酬が与えられたり、ループが終了したりします。 エージェントは環境を観察し、サブグラフ内のノードやモチーフ全体を追加、移動、または削除するという形でアクションを実行する（例：新しい補強グループを取り付ける、または桁のサイズを調整する）。 システムは、性能指標とルール遵守スコアに基づいて報酬を計算する（例：報酬 = –(重み) + α·強度スコア – β·違反ペナルティ）。 報酬は、局所的な要素（ゾーンの応力、重量、溶接長）と、全体的な要素（隣接ゾーンから与えられる界面適合性ペナルティ）に分けることができる。エージェントはこのスコアから学習し、強化学習アルゴリズムを通じてポリシーを更新する。
最適化のブラックボックス処理は、グローバルな粗モデルからの境界荷重を用いてFEAによって行われる。
ABAQUSを使用する場合、ゾーン内の最悪ケースに該当するパッチのみを検証することができ、グローバルチェックはブロックが組み立てられてから初めて実行されます。
図8、詳細なワークフロー。青いボックスはAIコンポーネントを表しています。
表2. パイプラインの各部分では、定義されたグラフデータモデルが使用されます：
構造化グラフ表現
船舶の構造データは、グラフデータモデルに非常に適しています。このモデルでは、ノードが構造や構造要素を表し、エッジがそれらの間の関係を表します。構造グラフのデータ構造は、要素がどのように相互につながっているか、また厚さなどの属性がグラフ全体の構成にどのような影響を与えるかを示しています。
船舶の構造グラフデータは、複数の種類のノードとエッジからなる異種混合グラフとなります。このアプローチにより、構造データに対する多角的な視点が網羅され、構造要素（ノード）の位置、機能、あるいは組み立ての観点から検討することが可能になります。
ゾーンベースのサブグラフモデリング
設計者がゾーンやブロック（例：二重船底部、側板ベイ、隔壁パネルなど）を構築することを踏まえ、我々が提案する手法では、各ゾーンを部分グラフとして扱い、造船所におけるブロック構築の慣行を反映している。
ノードは、プレート、縦方向の補強材、横方向の補強材といった構造設計上の要素を表します。エッジは、ノード間のさまざまな関係を表します。提案された概念モデルでは、船舶の構造データを相互に接続された構成要素のネットワークとして捉えています。これをグラフに変換することで、強度や挙動に影響を与える関係を把握することが可能になります。
学習用データ
OCX
OCX規格は、船級協会と各種CADアプリケーション間の3Dデータ転送に使用されるオープンな標準交換フォーマットです。 これはもともと、従来の2D図面を3Dモデルに置き換え、完全な基本設計モデルを転送できるようにするために開発されました。OCXには、3Dモデルのトポロジー、船舶固有の分類体系、区画やタンクの空間的・論理的構造などの詳細な情報が含まれています（DNV、2023年）。
図9、さまざまなステークホルダー間の情報交換を改善し、分類プロセスを迅速化するためのDirect 3Dデジタル分類プロセス（DNV、2023年）
図10、OCXを使用してCADシステム（Cadmatic Hull）からクラスシステム（Nauticus Hull）へ構造データを転送した例
船舶構造設計における学習パターンの概念モデルを学習させるには、膨大な設計データ例が必要となります。このニーズに対応するため、さまざまなソースからのデータをグラフデータモデルに変換できるモジュールを追加することを提案します。OCXはその堅牢な機能と広範な利用実績から、あらゆる3D CADモデルをAI対応形式に変換するのに適した候補と言えます。 データ抽出の過程では、関係性や空間情報を保持しつつ、部品をノードやエッジにマッピングする必要があります。これにより、OCXモデルをエクスポートできるあらゆるCADシステムとの互換性が確保され、複数のソースから設計データを収集できるようになります。
レコメンダーの構築
他の工学分野とは異なり、船舶設計の分野では、広く受け入れられる中立的なモデルを確立するという課題に直面してきました。船舶CAD企業は依然として独自のデータベースやデータベースモデルに依存しており、これが業界の発展につながる最新の技術の導入を著しく妨げています。
グラフデータベースは、データエンティティ間の関係を重視するように設計されています。データを固定されたテーブル構造で格納するリレーショナルデータベースとは対照的に、グラフデータベースはデータを関係性を持つエンティティのネットワークとして表現し、エンティティをノード、関係性をエッジとして表します。このアーキテクチャにより、グラフデータベースは、船舶設計データや文書などの複雑な表現を含む実世界のシナリオに特に適しています。 SEUSプロジェクトの一環として、初期設計段階における船舶データの表現へのグラフデータベースの適用を調査する研究が実施された（Koelman, Veelo, Seppälä, & Filius, 2024）。
統合されたGNNパイプラインとツール群
グラフデータベースは、船舶設計データの複雑な相互関係や多次元性を表現できるだけでなく、統合された機械学習パイプラインを提供するという点でも、AIネイティブな船舶設計ソリューションにとって有用です。 例えば、ArangoDBのArangoGraphMLモジュールは、GNNワークフローをそのマルチモデルエンジンに統合しています。プロジェクトは、特徴量化（グラフからテンソル（高次元ベクトル）への変換）、モデルの学習、選択、推論を処理するPythonパッケージを通じて管理されます。 サポートされるタスクには、ノード分類、リンク予測、埋め込み生成などがあります。裏側では、ArangoGraphMLがコレクションからのデータ抽出、パイプラインの設定、GNNトレーニングのためのDGLやPyGとの連携を調整し、その後、結果をグラフコレクションに書き戻します。
いくつかのグラフデータベースプラットフォームでは、大規模なETLプロセスや手動による特徴量エンジニアリングが不要となり、真に「すぐに使える」GNN機能を提供することで、ドメイン固有の課題に注力できるようになります。
データの表現
各ノードは、構造要素とその主要な属性を表すことになる。例えば、材料、厚さ、輪郭を持つプレート、スパン、向き、連続性を持つ補強材、形状と厚さを持つブラケット、種類、大きさ、方向を持つ荷重などである。
表3. さまざまなノードの種類、表現、および主要な属性。
エッジは、前述のノード間の関係を表しており、WeldEdgeやCutEdgeのような物理的な接続、荷重伝達経路（例：補強材から側板へ伝達される荷重）、機能的なグループ分け（アセンブリやサブアセンブリなど）などを表すことができます。
表4. さまざまなエッジの種類、名称、表現方法、および主要な属性。
重要な手順の一つは、GNNがグラフデータセットを効果的に処理できるよう、データを意味のある表現に変換することです。 我々の構造データにおいて、各ノードは構造要素、境界、または荷重を表すことができ、名前と主要な可変属性が付与されています。エッジの表現は、構造要素の「weld」、開口部の「CutEdge」、組立の「JoinEdge」、境界の「BoundaryEdge」など、関係性を示すものです。
GNNは、個々の部品を学習するのではなく、補強プレート（プレート、補強材、ブラケット）や二重底構造（床板、縦材、シェル）といった共通の構造パターンを学習し、理解することができます。
図11：Zhouら（2020）のフィーチャーエンジニアリング手法およびDNV GLの分類規則（2023）に着想を得た、船舶構造データのためのノード特徴階層。
例
補強パネル
図12、補強板の簡単な例と、それに対応する補強板のグラフ表現。
ダブルボトムペイン
現代の造船で広く採用されている船舶のダブルボトム構造は、レコメンデーションのためのGNNモデルに適用できる構造パターンの典型的な例である。
ダブルボトムのグラフ表現では、ノードは、すべてダブルボトムアセンブリを構成する底板、床板、および縦材によって表されます。エッジは、溶接などの接合部によって表されます。
図13、ダブルボトムパネルのグラフ表現
未来
小規模な実験
実験全体を実装するには、1）訓練データの収集・作成、2）各ステップに適したアーキテクチャの選択とパラメータ調整（特に強化学習のレベルで）、3）最先端のGPUを備えたスーパーコンピュータの形での計算能力、という三つの主要領域すべてで大きなリソースが必要です。造船所、ソフトウェア提供者、大学の代表者を含むより大規模なパートナーコンソーシアムが、このコンセプト全体を実現できるでしょう。
実用最小限の製品（MVP）の作成は、妥当なリソースで実現可能です。私たちは、1）造船所のカタログにおける学習可能な多様性の検証、2）局所最適化がインターフェースを変えずに鋼材を節約できることの証明、3）複数ゾーンの結合の安定性の実証、4）本番投入前のエンドツーエンドのPLM堅牢性の確認、を目的とした小規模な実験を設計することでこれをテストできます。提案する実験は造船所の実態に根ざしており、（i）IACS共通構造規則、（ii）典型的な造船所のブロック組立実務、（iii）商用CAD/PLMワークフローを考慮して、エンジニアリング上の現実性を確保しています。
実験A
パターン学習とレイアウト生成：CNN + グラフ
文法
方法論：IACSのCSRスニペットが文法規則となる。例：• 「縦方向の間隔 ≤ 760 mm」 • 「軽量化用の穴はウェブフランジに切り込んではいけない」 文法はルールに違反した瞬間に候補をすべて却下するため、GNNは正当なトポロジーのみを探索します。GNNは数百枚の実物の二重底タイルを分析し、ビームが直線的に走っていることや、穴がエッジから離れた位置にあることなどのパターンを学習します。
目的：AIジェネレーターを支援するための文法を作成し、新たに生成されるコマが構造的なデザインロジックに従い、不合理なものにならないようにする。
実験B
強化学習（RL、PPO）を用いた重み調整
方法論：ヤードブロック法を用いて、実行可能なアクションを導き出します。GNNレイアウトの1つを起点として、補強材を25 mm単位（プレートラインの許容誤差）で移動させたり、そのサイズを変更したり、あるいはカタログ掲載のHPバーのみに変更したりします。その際、移動のたびに「重量は軽減されたか？ 強度は保証されているか？」と自問します。重量と強度は、RLスコアを決定するために、代用モデルを用いて迅速に計算できます。約200回の移動（または数秒）ごとに、少数の設計を選択し、より正確なシミュレーション（FEA）を実行します。 もし、処理に時間がかかる結果のうち、代替モデルとの差異が許容範囲をわずかに超えるものがあれば、それは代替モデルがドリフトしたことを意味します。このドリフトを修正するために、新しい正確な結果を代替モデルの学習データセットに追加し、再学習を行います。
理由：検索を現実的な範囲に保ち、軽量化が標準的な鋼材の発注に直接反映されるようにするため。
実験C
数回のRLラウンドごとに、近傍チェック用の中規模FEAを実行する
手法：ブロック組立部の継ぎ目は、実際の生産時とまったく同じようにモデル化されています。すなわち、長辺には連続溶接、短辺にはずらしフィレット溶接が施されています。全体的なチェックは10ドリフトサイクル（または10分）ごとに実施され、2枚のスリム化されたパネルが、ブロックE-プランで想定されているとおりに荷重を分担していることを確認します。
理由：これにより、乾ドック内で2つのブロックを接合する際に生じうる、荷重分布の不均衡を防ぐことができます。
実験D
PLM サバイバビリティ・ゲート CAD/PLM データ取り込み + 溶接ロボットの可動範囲試験
方法論：すべてのファイルは、ヤードショップの規則（溶接ガンの最小クリアランス70 mm、鋼板の曲げ半径4 t以上）を適用し、仕様外のものにフラグを立てるウィザードを備えたCAD/PLMシステムにエクスポートされる。成功とは、人間によるプランナーが、各赤旗項目について10分以内に修正を完了できる場合を指す。
理由：AIの出力を、ネスト加工、ロボット溶接、ERPにそのまま活用できることを実証しており、これにより生産計画担当者が問題を引き継ぐことがなくなる。
要約すると、これらの実験は設計の基礎を評価することを目的としています。IACSに着想を得た文法規則を用いて、正しいレイアウトが生成されます。強化学習エージェントは、造船所を効率的に建設できるような行動を探索します。 軽量なFEAチェックにより、中央処理装置（CPU）の制限範囲内で構造の健全性を検証します。最終的なPLMゲートでは、各パネルが生産準備完了状態にあることを確認します。
図14、実験に使用する、3本の横方向床ウェブ、3本の縦方向補強材、および6つのライトニングホール（各床ウェブに2つずつ）を備えた、ミニマルなダブルボトム構造の模式図。
包括的な船舶設計グラフの実現に向けて
本論文で考案された用途とは別に、このグラフデータ構造は他の船舶設計データにおいても有用である可能性がある。SEUSプロジェクト内で（前述した）予備実験は、隔壁、甲板、およびこれらの平面の間に形成される空間／区画を含む、基本的な内部細分化トポロジーと形状を網羅するよう、さらに詳細化される予定である。 既存の船舶設計用CADプログラムでは、図3（de Koningh, Koelman, & Hopman, 2011）に示されているように、BSP（二分空間分割）木を利用して平面と空間を結びつけることで、すでにこの機能をサポートしている。 その図のデータ構造を、複数の（凸）空間を実際の区画にグループ化することで拡張すると、船舶の内部空間全体を網羅するグラフデータ構造が得られる。これを本論文で提案するグラフと統合することで、統一されたデータ構造が得られることになる。
結論
提案された最適化構造レコメンダーシステムは、孤立したノードではなくサブグラフを生成することで実践的な船舶設計ワークフローを反映し、堅牢で最適かつ規則適合的な構造レイアウトの開発を加速します。本システムは、確立されたルールと実務に導かれた生成的探索を行い、重量計算、寸法（スカントリング）チェック、FEA解析などの手法を用いた性能チェックによって結果を最適化します。船体をAIで最適化されたサブグラフの構成体として扱うことで、研究のパイプラインは造船工学者が実際に用いる粒度に正確に対応づけられます。
このアプローチは計算負荷を低減し、ブロック製造プロセスと整合し、段階的な導入を容易にし（造船所は船の残りを従来通りに保ちつつ、一つの厄介なゾーンクラスでパイロット導入できる）、主要なリスクが管理された実験の中で明示的に検証可能であり続けることを保証します。結論として、この理論モデルは、拡張されたAIデータモデルを作成することで設計サイクル間のギャップを埋め、現場とデジタルの作業指示をAIパイプラインに統合することで、潜在的に高コストな生産費を削減する可能性を秘めています。
参考文献
Bruce, G. J. (発行年不明). 『Ship Construction』第7版.
Chiang, W.-L., Liu, X., Si, S. L., Bengio, S., & Hsieh, C.-J. (2019). Cluster-GCN: 深層かつ大規模なグラフ畳み込みネットワークを学習するための効率的なアルゴリズム. 第25回 ACM SIGKDD 知識発見・データマイニング会議 (KDD ’19).
de Koningh, D., Koelman, H., & Hopman, H. (2011). 新しい船舶分割手法と船舶レイアウト設計における制約管理への応用。『Journal of Ship Production and Design』, 137-145.
DNV. (2023). 3Dモデルに基づくクラス承認への道筋：承認プロセスにおける3Dモデルの利用の効率化と加速。DNV。
Florean, M., Alonso de los Rios, V., Pietro, J., & Seppälä, L. (2022)。 包括的な基本設計のためのスタンドアロン型インテリジェント総配置ツール。第21回海事産業におけるコンピュータ応用・情報技術国際会議論文集。
Khemani, B., Patil, S., Kotecha, K., & Tanwar, S. (n.d.) (2024). グラフニューラルネットワークの総説：概念、アーキテクチャ、技術、課題、データセット、応用、および今後の方向性。『Journal of Big Data』, 11, 記事18.
Koelman, H. J., Veelo, B. N., セッパラ, L., & フィリウス, P. (2024). 初期船舶設計モデルと詳細設計モデルの間のギャップを埋める。第15回国際船舶設計会議 (IMDC-2024)。オランダ、アムステルダム。
レスコベック, J., スタンフォード大学 CS224W: グラフを用いた機械学習、http://cs224w.stanford.edu、2024
Li, Y., Li, Z., Mei, Q., Wang, P., Hu, W., Wang, Z., . . . Chen, Y. (2023). 時空間グラフニューラルネットワークに基づく多港湾船舶交通予測手法に関する研究。『Journal of Marine Science and Engineering』。
Rozado, D., 大規模な感情語彙を用いた単語埋め込みモデルにおけるアルゴリズムバイアスの広範囲なスクリーニングにより、報告不足のバイアス種が明らかになる、『PLOS ONE』, 15(4), e0231189, 2020
ラッセル, S., & ノーヴィグ, P. (n.d.) (2022). 『人工知能：現代的アプローチ』第4版.
チャン, B., フェン, G., ドゥ, Y., ヘ, D., & Wang, L. (2023). サブグラフ・ワイスファイラー・レーマン検定を用いたサブグラフGNNの完全表現力階層.
Zhou, J. C. (2020). グラフニューラルネットワーク：手法と応用のレビュー. AI Open, 57–81.
