計算設計プラットフォームのnTopと、GPUクラウド事業者のCoreWeaveが共同で、わずか32時間で1万2千回のラージ・エディ・シミュレーション（LES）を実行した。これはNASAが2030年に掲げた数値流体力学（CFD）のビジョンを4年前倒しで達成するもので、従来は計算コストから限定的だった高精度シミュレーションの大規模活用への道を開く結果となった。

ドローン設計で実証された演算の壁の突破

今回の検証では、GPU上でネイティブに動作するnTop FluidsをCoreWeaveのクラウド基盤で実行し、複数形状のドローン空力解析を1人のエンジニアが約1日で完了させた。着目すべきは乱流解析の手法だ。多くの企業が使う統計的なRANS手法ではなく、より物理現象を直接捉えるLESを採用しながら、1万2千回という大規模な設計パラメータ評価を実現した点にある。LESは乱流の大きな渦を直接計算するため精度は高いが、計算負荷が飛躍的に増大する。この障壁のため、LESはこれまで設計検討には使えず、研究機関での一度限りの解析に留まっていた。今回の成果は、ハードウェアとソフトウェアの両面から、この制約が商用レベルで解消されつつあることを示す実証例といえる。

GPUネイティブCFDがもたらす設計プロセスの地殻変動

この成果の背景には、専用の物理シミュレーションソフトをGPUで直接動かす技術の成熟がある。現状、多くの商用CFDソフトはCPUでの処理を前提としており、大規模解析には大規模なCPUクラスタと長い計算時間が必要だった。nTop FluidsのようなGPUネイティブなソルバーは、CoreWeaveの提供する大規模GPUクラスタと組み合わさることで、処理能力を桁違いに引き上げる。これは、これまで「数値解析部門の専門家が時間をかけて行う分析」から「設計者自身が対話的に高精度な物理検証を繰り返すプロセス」への移行を意味する。航空宇宙分野に限らず、エネルギー、自動車、医療機器など、流体や熱を扱うあらゆる製造業で、開発サイクルを短縮できる可能性が出てきた。

シミュレーションが引き上げる「物理AI」の学習精度

編集視点として特筆すべきは、この高速な物理シミュレーション能力が「物理AI」のデータエンジンとして機能し始める点だ。物理現象を学習させるAIモデルの開発には、高品質な教師データが大量に必要となるが、現実世界の実験でそれを集めるのは莫大なコストと時間を要する。32時間で1万ケース以上の高精度な流れ場データを生成できる能力は、実物の風洞実験に依存しないAI学習基盤を形成する。CoreWeaveがこの発表で「物理AIプラットフォーム」と位置付けている点からも、単なる計算の高速化だけでなく、AIとシミュレーションの融合による次世代の物理モデル開発競争が加速していく構造が鮮明になった。

試作回数に依存しない製造業への転換点

現在のエンジニアリング現場では、数多くの設計案が生まれても、実際に物理的な試作や試験ができるのはごく一部に限られる。今回のような大規模計算が一般化すれば、より広範な設計空間の探索と、極限状態を含む詳細な事前検証が可能になり、手戻りとコストを飛躍的に低減できる。これは、プロダクトの安全性と性能を試作の数で担保する手法から、設計の初期段階でデジタル上に検証を集中させる手法への転換を促す。製造業の競争力が、試作設備の規模よりも、高速な計算リソースとその活用ノウハウにシフトしていく分岐点に差し掛かっている。