[論文レビュー] Data-Driven Aerospace Engineering: Reframing the Industry with Machine Learning

Steven L. Brunton, J. Nathan Kutz+10 more|arXiv (Cornell University)|Aug 24, 2020

Radiative Heat Transfer Studies被引用数 5

ひとこと要約

本論文は、安全性が求められる応用分野における解釈可能性、一般化可能性、認証可能性に重点を置いた機械学習を用いた航空宇宙工学分野のデータドリブンな変革を提案する。物理情報に基づく機械学習と産業用データパイプラインを統合するフレームワークを提示し、設計、製造、認証の分野を強化する。機械学習は伝統的な工学を置き換えるものではなく補完するものであり、実世界の航空宇宙システムにおける規制適合性とスケーラビリティの課題に対処できることを示している。

ABSTRACT

Data science, and machine learning in particular, is rapidly transforming the scientific and industrial landscapes. The aerospace industry is poised to capitalize on big data and machine learning, which excels at solving the types of multi-objective, constrained optimization problems that arise in aircraft design and manufacturing. Indeed, emerging methods in machine learning may be thought of as data-driven optimization techniques that are ideal for high-dimensional, non-convex, and constrained, multi-objective optimization problems, and that improve with increasing volumes of data. In this review, we will explore the opportunities and challenges of integrating data-driven science and engineering into the aerospace industry. Importantly, we will focus on the critical need for interpretable, generalizeable, explainable, and certifiable machine learning techniques for safety-critical applications. This review will include a retrospective, an assessment of the current state-of-the-art, and a roadmap looking forward. Recent algorithmic and technological trends will be explored in the context of critical challenges in aerospace design, manufacturing, verification, validation, and services. In addition, we will explore this landscape through several case studies in the aerospace industry. This document is the result of close collaboration between UW and Boeing to summarize past efforts and outline future opportunities.

研究の動機と目的

• 航空宇宙工学分野における複雑で多目的かつ制約付きの最適化問題が増加する中、データドリブンな手法の需要に対応すること。
• 解釈可能性、一般化、規制適合性を含む、安全性が求められる航空宇宙システムへの機械学習の導入における主な課題を特定・克服すること。
• 設計、製造、運用中の実世界データを活用することで、機械学習分野の学術的進展と航空宇宙分野の産業応用のギャップを埋めること。
• 分野専門知識とデータサイエンスのスキルを統合した多職種連携チームによる、航空宇宙研究開発の新しいパラダイムを提唱すること。
• 既存および進化する規制枠組み下でも信頼性、トレーサビリティ、認証が保証されるよう、航空宇宙分野における機械学習の採用ロードマップを提示すること。

提案手法

• 物理ベースのモデルとデータドリブンな機械学習を統合し、高次元かつ非凸な最適化問題における精度と信頼性を向上させるハイブリッドシステムを構築する。
• スパースかつロバストな機械学習アルゴリズムを適用し、リアルタイムで大規模かつマルチモーダルな航空宇宙データストリームから重要な特徴を抽出することで、データマージナントを低減し、エッジコンピューティングを可能にする。
• 特に非決定的動作を示すシステムにおいても規制認証を支援できるように、モデルの解釈可能性と説明可能性のフレームワークを提案する。
• ボーイング社およびワシントン大学の事例研究を活用し、航空機設計、製造、運用中モニタリングにおける機械学習の実用的導入を実証する。
• 特に決定的検証が不十分な分野においては、安全性規制への適合を支援するため、統計的および確率的モデルの活用を強調する。
• レガシーシステムの運用を損なわず、継続的アナリティクスを可能にする統合的で安全かつリアルタイムなデータアーキテクチャへの移行を提唱する。

実験結果

リサーチクエスチョン

• RQ1 機械学習を、安全性と信頼性を維持したまま、設計、製造、認証のワークフローに効果的に統合する方法は何か？
• RQ2 解釈可能かつ認証可能な機械学習モデルを、安全性が求められる航空宇宙システムに導入するにあたり、主な技術的および規制的課題は何か？
• RQ3 物理情報に基づく機械学習モデルは、データが乏しい航空宇宙応用分野において、一般化を向上させるとともに大規模データへの依存を低減できるか？
• RQ4 データドリブンな航空宇宙研究開発において、航空宇宙技術者、データサイエンティスト、ITエキスパートが円滑に連携できるよう、どのようなアーキテクチャ的・組織的変化が必要か？
• RQ5 レガシーシステムのインfraストラクチャを置き換えず、セキュリティや制御を損なわず、リアルタイムデータアナリティクスを実装するにはどうすればよいか？

主な発見

• 特に物理ベースのモデルと組み合わせた機械学習技術は、航空宇宙工学で一般的な高次元かつ制約付きの多目的最適化問題を解決する強力なアプローチを提供する。
• ボーイング787は、フライトテスト中に20万件を超えるセンサーシグナルを生成し、航空電子設備で1,800万行のコードを有する。これは、機械学習応用に向けた膨大なデータ量を示している。
• 膨大なデータ量にもかかわらず、多くの航空宇宙システムは依然としてレガシーデータストレージおよび処理パイプラインに依存しており、リアルタイムアナリティクスやモデルの展開を妨げるボトルネックを生じさせている。
• 本論文は、「データマージナント」（データの整備に費やす時間が分析に費やす時間よりも長い）を主なリスクと特定し、エッジコンピューティングと特徴抽出を活用した「スマートデータ」戦略の推進を提唱する。
• 規制適合性は依然として主要な障壁であり、現在の民間航空規格は決定論的原則に基づいて構築されており、非決定的かつデータドリブンなモデルに対応できるようにはなっていない。
• 特に従来の決定論的検証が不十分な文脈において、統計的および確率的モデルの統合が、安全性が求められる文脈における機械学習モデルの検証に不可欠である。