複合材料は構成素・プライ・積層・構造・製造履歴という階層が絡み合い、異方性も強いため、設計空間を網羅する試験や高忠実度シミュレーションのコストが膨大になる。マルチフィデリティ代理モデルは、豊富で安価な低精度データと限定的な高精度データを組み合わせ、信頼できる高精度予測を復元する枠組みとして注目されてきた。
本レビューは、co-Kriging、共領域化モデル、自己回帰定式化、非線形自己回帰ガウス過程、マルチフィデリティ深層ガウス過程、マルチフィデリティニューラルネットワークという6系統を対象に、クロスフィデリティ相関、誤差表現、不確かさ定量化、スケーラビリティの観点から差異を整理している。さらに応用事例を、材料設計空間の高速探索に使う「順方向予測」、高精度データが限られる状況下でのパラメータ同定・設計探索を行う「逆最適化」、異種データ源・制約・検証要件が絡む「ワークフロー統合」の3カテゴリに分類した。
未解決課題として、非線形損傷や製造履歴に起因するレジーム依存のフィデリティギャップ、シミュレーションと実験のミスマッチ、マルチフィデリティモデル間での不確かさ伝播が挙げられている。これらは航空機・自動車・風力発電ブレードなど、認証や長期信頼性が問われる領域で実装を進める際に直接ぶつかる論点であり、読者は自社データの性質と照らして手法選択と検証設計を行う必要がある。著者にはPhysics-Informed Neural Networksの提唱者として知られるGeorge Em Karniadakis(Brown大学)が含まれる。
