ゴーデルブロックが研究協力しているAccelerated Komputing社の論文が米国機械学会（ASME）が主催するIDETC/CIE 2025にて採択され深層学習による製造業変革の研究成果を公開
出典：Accelerated Komputing社論文発表資料
2025年8月20日、カリフォルニア州アナハイム - Accelerated Komputing社は、株式会社ゴーデルブロック、カーネギーメロン大学等との国際共同研究により開発した、プレス成形プロセス用の包括的な3Dデータセット「PressNet」に関する論文を、ASME 2025国際設計工学技術会議・コンピュータ情報工学会議（IDETC/CIE2025）にて発表しました。
研究体制
本研究は、以下の国際的な研究機関との連携により実現されました：
•
Accelerated Komputing社（米国、ネパール）
•
株式会社ゴーデルブロック（日本・東京）
•
カーネギーメロン大学（米国）
•
ピッツバーグ大学（米国）
•
テキサスA&M大学（米国）
•
トリブバン大学（ネパール）
株式会社ゴーデルブロックは、物理シミュレーション技術の専門知識を活かし、解析結果の最適化と実用化に向けた技術開発に協力しました。
研究の背景と意義
プレス成形は、金属やガラスなど多様な素材を用いた製品製造において重要な工程です。
この工程において、有限要素法（FEM）による精密なシミュレーションを実施することで、試作回数を削減し、高品質な製品を安定的に生産することが可能になります。しかし、計算コストが高く、時間を要するという課題がありました。
本研究では、深層学習技術を活用してこれらの課題を解決するため、業界初となる包括的なプレス成形シミュレーション用データセットを作成し、プレス成形シミュレーションのサロゲートモデルとしてGraph Convolutional Network（GCN）とDynamic Graph Convolutional Neural Network（DGCNN）の2つの深層学習アーキテクチャによるベンチマークでその有用性を実証しました。
技術的成果
(研究チームは、いわゆる「サロゲートモデル」の構築にあたりGraph Convolutional Network（GCN）とDynamic Graph Convolutional Neural Network（DGCNN）の2つの深層学習アーキテクチャでベンチマークを実施し、データセットの有効性を実証しました。)←削除予定
データセットの特徴
•
15種類の異なる金型形状および各10条件による150ケースの詳細なシミュレーション
•
多様なパラメータ変動（メッシュサイズ、時間ステップなど）
•
3次元空間での応力と変形の詳細なデータ
•
オープンソースでの提供により、研究者・実務者が広く利用可能
ベンチマークの結果
計算時間
•
粗メッシュ：従来の30分から数分へ短縮
•
中メッシュ：従来の35分から大幅短縮
•
細メッシュ：従来の60分から大幅短縮
精度
全形状混合の汎化学習における平均変形誤差
•
GCN: 3.03 mm～9.51 mm
•
DGCNN: 2.93 mm～8.22 mm
形状別に学習した場合は誤差1-3%程度まで低減
出典：Accelerated Komputing社論文発表資料
公開情報
PressNetに関するデータは以下で公開されています：
•
論文:https://www.researchgate.net/publication/394980092_PRESSNET_A_Forming_Dataset_for_Structural_Simulation_in_Pressed_Blanks_with_Deep_Learning_Benchmarks
•
コード: https://github.com/AnK-Accelerated-Komputing/PressNet
•
データ: https://huggingface.co/datasets/accelerated-komputing/PressNet
会社概要
会社名：株式会社ゴーデルブロック
代表者：田中 昭雄
本社所在地：東京都新宿区西新宿3-7-1新宿パークタワー N棟30F
設立日：2023年2月
資本金：100万円
事業内容：科学技術計算ソフトウェア開発
会社URL：https://www.godelblock.com/