Neural ODEによる物理シミュレーションAIサロゲート——設計から実装まで、現役エンジニアが全部見せる

この記事は有料シリーズの①（¥500）。無料記事①②③を読んでいる前提で書いている。「何をやったか」の話は無料部分に譲り、ここでは「なぜその設計にしたか」「どこで詰まり、どう乗り越えたか」の判断プロセスを全部書く。

この記事で得られること

• Neural ODEを選んだ理由——RNN・LSTMを試した後にたどり着いた判断の根拠

• サロゲートモデルの「範囲」の決め方——どこを境界にするかで結果が全く変わる

• MATLABでの実装の考え方——ネットワーク構造から学習設計、Simulink接続まで

• 車両モデルに組んだら精度が崩れた——原因（依存項の勾配消失）と解決策

• 最終結果：計算時間99%削減・RMSE 0.02を同時に達成するまでの具体的な数字

• 社内研究費の承認 ー何を問われ、何を準備しなければならないかー

そもそも「なぜシミュレーションに詰まるのか」

ある自動車OEMのATトランスミッション開発現場の話から始める。

ATトランスミッションには多数の設計因子がある。トルク、油温、油圧、車速、路面状況、アクセル開度、変速線……これらを組み合わせてパラメトリックスタディ（条件を変えながら繰り返しシミュレーション）をするのが開発の基本動作だ。

問題は計算時間だった。

油圧制御の1Dシミュレーションモデルには、大規模で詳細な物理モデルが必要だ。スプール形状（ノッチ・ラップ量）、クリアランス、偏芯・流体力、油圧室の剛性、コイルばね・皿ばね——これらが全部入ったモデルを動かすと、解析したい事象の時間に対して約150倍の計算時間が掛かっていた。数秒の挙動を見るために、数百秒待つ。

数千の設計因子を網羅的に探索しようとすると、現実的な時間では終わらない。「波形精度を落とさずに、計算を速くする」——これがプロジェクトの出発点だった。

題材：Dレンジセレクト時のクラッチ油圧制御

P/NレンジからDレンジに入れる瞬間、エンジン側（トルクコンバータ）とタイヤ側（ブレーキ）は回転差がある状態でつながっている。この2軸をクラッチで締結するのがDレンジセレクトだ。電流指示でコントロールバルブを動かし、クラッチにかかる油圧を制御することでクラッチを締める。

この制御には背反する2つの要求がある。

• 油圧上昇を速くする（クラッチ締結を早く完了）→ 変速ショックが大きくなる

• 油圧上昇を遅くする（なめらかに締結）→ 変速ラグが大きくなる

どちらかを良くすれば、もう一方が悪化する。この両立解を探すために、大量のパラメトリックスタディが必要だった。

スタートはPythonだった