AI、機械設計の部品選定を自動化

研究の概要

米Autodesk Research所属の研究者らが発表したLinkifyは、機械アセンブリ（部品の組み合わせ構造）をグラフ構造として表現し、部品同士の接合部（インターフェース）の幾何情報をAIに学習させる新フレームワークである。

従来のCAD向け生成AIは、単体部品や完成品全体を対象とするものが中心であり、部品同士が接触する「界面」の詳細形状は活用されてこなかった。Linkifyはこの空白を埋めるべく、Autodesk社のFusion 360ギャラリーアセンブリデータセットを再処理し、欠損・誤記録されていた接触情報を修正した上で、局所的な接触領域の点群データを生成する。

この接触データを各部品ノードと接合エッジに組み込んだグラフを構築し、GATv2（グラフアテンションネットワーク）を用いて訓練する。具体的なタスクは「マスク部品予測」：アセンブリから一部品を取り除いた状態でモデルに提示し、欠落した部品のクラスを大規模部品語彙から当てさせるというものである。ロジスティック回帰やk近傍法などの非グラフ手法と比較して、Top-K精度およびF1スコアで優位な結果を示した。アブレーション実験では、接触情報の正確な計算と動的アテンション機構の両方が性能に不可欠であることが確認された。

ビジネスへの示唆

この技術が実用化された場合、製造業に対する影響は設計部門にとどまらない。

設計・開発部門においては、エンジニアが新規アセンブリを設計する際、既存部品ライブラリから適合部品を自動推薦するシステムの構築が可能になる。現状、熟練エンジニアが経験則で行う「部品の適合判断」をAIが補助することで、設計リードタイムの短縮が期待される。KPIとしては設計工数（人時）の削減率、初回設計の承認通過率が該当する。

調達・サプライチェーン部門では、設計変更や部品廃番時の代替部品探索に応用できる。接合部の幾何的互換性をAIが評価することで、従来は専門家の目視確認に頼っていた代替品選定を効率化し、部品調達リードタイムおよびBOM（部品表）修正コストの削減につながる。自動車、航空宇宙、産業機械など、部品点数が数万点に及ぶ産業での効果が特に大きい。

以下の部門・KPIが直接的な影響を受けると見られる。

• 設計部門：設計工数削減率、設計変更回数（ECO件数）
• 調達部門：代替部品選定リードタイム、調達コスト変動率
• 品質保証部門：組立不適合率（First Pass Yield）
• PLMシステム管理部門：部品ライブラリ重複排除率

さらに、デジタルツインや**PLM（製品ライフサイクル管理）**プラットフォームへの統合も視野に入る。CADデータに蓄積された接合部情報をAIが継続的に学習することで、設計ノウハウの組織的継承にも貢献しうる。

今後の展望

研究チームは修正済みインターフェースデータセットと学習パイプラインを公開しており、研究コミュニティおよび産業界による活用が可能な状態にある。現段階では部品クラス分類という形での実証にとどまるが、今後は具体的な部品モデルの生成や、組立手順の自動生成への拡張が期待される。

国内製造業においても、CAD標準としてFusion 360を採用する中堅・中小メーカーを中心に、本フレームワークを活用した設計支援ツールの開発競争が加速する可能性がある。製造DXの文脈で設計インテリジェンスの高度化を目指す企業にとって、注視すべき技術動向である。