セミナー
ライブ配信＆後日の録画視聴も可能！
3D生成AI×構造設計が拓く
新世代の機械設計手法
～生成AIを活用した構造・設計探査と自動設計のアプローチ～
開催主旨
生成AIの登場により、CAE（Computer Aided Engineering）と構造設計探査の可能性が大きく広がっています。従来のトポロジー最適化に代表される構造最適化手法は、エンジニアが定義した設計領域と境界条件のもとで、原則として単一の最適な構造を求めるアプローチでした。これに対し、生成AIでは性能要件や制約条件を入力するだけで、これまでにない新たな設計案を複数、自動で創出できます。例えば、自動車開発においては、ギガキャスト構造のような一体成形部品の設計、衝撃吸収特性など特定の性能を持つ部材の形状提案、あるいは複数機能を統合した革新的な部品形状の創出などが期待されています。
そこで本講座は、「3D生成AI×構造設計」のアプローチに先駆的に取り組む専門家が、機械設計および構造設計における3D生成AIの最新動向、具体的な設計事例、そして今後の設計プロセスについて解説します。
生成AIは、人間の認知能力の限界を超えた設計探査を可能にします。従来の2D・3D的発想や線形的な思考の制約から解き放たれ、多次元（高次元）の設計空間の探査と、複雑な非線形思考へと発展した新しい機械設計の姿を先取りし、これからの自身の設計活動にお役立てください。
※本セミナーは、オンライン配信ツールZoomを用いて実施します。ご視聴方法（参加用URL等）はご登録くださいましたメールに開催２日前にお知らせいたします。
概要
| 日時 | 2025年8月29日（金） 13：00～17：00（４時間講座） （12：30 受付開始） |
|---|---|
| 会場 | WEBセミナー WEBセミナーは、WEBミーティングツール「Zoom」を使用して開催いたします。 ※受講者による録音・録画は固くおことわり申し上げます。 ブラウザとインターネット接続環境があれば、どこからでも参加可能です。 |
| 受講料 | 38,500円（資料含む、録画視聴、消費税込、１名分） ※録画視聴は、当日参加された方も、録画視聴で参加登録された方も可能です。 ※録画視聴は、講座終了後10日間にわたり何度でもご確認いただけます。 |
| 主催 | 日刊工業新聞社
※弊社プライバシーポリシー（個人情報保護方針）をご一読いただき、申込みフォームより必要事項をご入力ください。 |
| 申込について | 受講にあたり 開催決定後、請求書をメール（PDFファイル）にてお送り致します。 申込者が最少催行人数に達していない講座の場合、開催を見送りとさせて頂くことがございます。（担当者より一週間前を目途にご連絡致します。） 申し込み方法 各セミナーのお申込みフォームからお申込みいただくか、FAX申込書をダウンロードしご記入のうえ、FAXにてお申込みください。 受講料 振込手数料は貴社でご負担願います。 キャンセルについて 開催日１週間前までの受付とさせて頂きます。１週間前までにご連絡がない場合はご欠席の方もキャンセル料として受講料全額を頂きます。 |
| 問合せ先 | 日刊工業新聞社 総合事業本部 イベント事業部・事業推進部（名古屋） TEL：052-931-6158 FAX：052-931-6159 E-mail：nk-event@media.nikkan.co.jp TEL受付時間：平日（土・日・祝日除く） 9：30-17：30 |
| FAX申込について |
講師
プログラム
| 1. 構造設計における課題と生成AIへの期待 |
| 1-1 近年の生成AIの概観 1-2 3D生成AIとは？（画像生成AIとの比較、Text-to-3Dの現状） |
| 2. 構造設計のための3D生成AI：なぜ難しいのか？どう実現するのか？ |
| 2-1 既存の3D生成AIの限界：力学的情報の欠如 2-2 力学的情報を持つ大規模データセットの必要性 |
| 3. ３次元形状の深層表現モデルの基礎 |
| 3-1 3次元形状のデジタル表現：多様なアプローチ 3-2 符号付き距離関数（SDF: Signed Distance Function）とは？ 3-3 DeepSDF：SDFを学習するニューラルネットワークネットワーク構造（デコーダ型） 3-4 潜在ベクトル (Latent Vector) による多様な形状の学習と生成 |
| 4. 力学的パラメータに基づく3D生成AIへの拡張 |
| 4-1 構造設計への応用を目指したDeepSDFの拡張 4-2 ネットワークアーキテクチャの工夫 4-3 力学的パラメータと潜在ベクトル、座標情報の統合 4-4 学習済みモデルの性能検証汎化性能：未知の形状をどの程度正確に再構築できるか？ 4-5 Parameter-to-3Dタスク：指定した力学的パラメータを満たす形状を生成できるか？ |
| 5. 応用例と今後の展望 |
| 5-1 構造設計への応用イメージ ①ギガキャスト構造のような一体成形部品の設計支援 ②衝撃吸収特性など特定の性能を持つ部材の形状提案 ③複数機能を統合した部品形状の最適化 など 5-2 今後の研究開発の方向性 ①より複雑な力学特性や製造制約の考慮 ②大規模言語モデルとの統合 ③複雑な力学特性（マルチフィジックス）を考慮した形状最適化への考察 ④説明可能性：形状を導出した根拠の提示（従来のXAI手法でOKか？） ⑤自律的な学習・最適化 |
| 6. まとめ |
| 3D生成AIが拓く未来の構造設計 |
| 7. 質疑応答 |
