物理シミュレーションが、設計の隣へ戻ってくる

設計を変えて、その結果が返ってくるまで数日待つ。もしそれが数分になったら、単に納期が短くなるだけだろうか。

たぶん、試す案の数も変わる。以前なら「そこまでは調べられない」と捨てていた候補が、比較の中へ入ってくる。シミュレーションの高速化は、同じ設計を早く完成させる話であると同時に、設計できる範囲を変える話でもある。

Vinciは2026年10月6日、2.5億ドルのSeries Bと15億ドルの評価額を発表した。半導体の熱・熱機械・対流流体から始めるPhysics AI企業だ。この記事では、確認日2026年10月7日JSTの公開資料をもとに、速さの意味と、その評価の境界を考える。

Foundation Model for Physicsという名前から、一度離れる

Vinciは、設計データの理解・準備、エージェントによる処理の編成、物理の基盤モデル、GPU向け物理カーネルを組み合わせると説明している。顧客ごとの追加学習をせず、新しい設計へ適用するという主張もある。

ただし、名前から「LLMが温度を文章で推測する」「普通のFNOを使っている」と決めることはできない。公開発表だけでは内部構成や学習方法の全体はわからない。

Fourier Neural Operatorの原論文は、PDEのパラメータとなる関数から解の関数への写像を学ぶ研究だ。複数の条件に対応する解作用素を学習し、特定の実験で大きな高速化を示す。ただ、これがVinciの実装を説明する資料ではない。

比較の背景としては、少なくとも三つの方法を分けて考えたい。

方法	速くする場所	評価の問い
学習したサロゲート	解を直接近似する	未知の形状・条件で誤差がどう増えるか
数値ソルバーの学習支援	初期値や反復、前処理を助ける	収束判定と最終精度をどう保つか
ワークフロー全体の自動化	ファイル準備・条件設定・実行・比較	人手、待ち時間、入力ミスがどれだけ減るか

Vinciは最後の二つを含む複合的な構想として読む余地がある。しかし、公開資料だけで分類を確定することはできない。導入時には、どの段階をAIが担当し、どこで物理的な収束を確認するかを聞く必要がある。

「メッシュ不要」を、文字どおり受け取ると困る

製品ページは、メッシュ不要、近似不要という強い表現を使う。一方、EPTC 2025の技術紹介には、メッシュ生成と収束を自動化し、均質化を使うと書かれている。

これは、ユーザーがメッシュを手で作らなくてよいことと、内部に離散化や近似がないことを分ける必要がある、という話だ。

半導体パッケージには、ナノメートルの構造からパッケージ全体まで、巨大な尺度差がある。細かな構造を代表的な有効物性へまとめる均質化は、その差を扱う方法の一つである。だから、製品の使い勝手として手作業が消えることは価値があるが、計算モデルまで近似を使わなくなったと読むべきではない。

この区別は、売り文句を否定するためではなく、比較する条件を揃えるために必要になる。どの細部を明示的に解き、どこを有効物性で表すかが違えば、同じ自由度や同じ温度の数字も意味が変わる。

公開結果は、何を支えているか

Vinciのサイトには、117,440,512自由度の例で、20秒対2時間という比較がある。時間比は360倍だが、これは同社の公開例であり、すべての形状や物理現象での独立再現ではない。

同じ例の最高温度は100.00℃と101.11℃で、差は1.11℃。平均温度が近くても、それだけではホットスポットの位置、界面の熱流、局所勾配が一致するとは限らない。摂氏を基準に相対誤差を言うのも注意が必要で、温度上昇や設計余裕に対する誤差を見たい。

EPTC 2025の研究紹介は、3D積層の材料熱伝導率を変えて、最高・平均温度の感度を調べるものだ。公開要旨は、どの材料を改善するかという設計判断へ解析をつなげている。計算が速いだけでなく、比較を繰り返せることが価値になる例だ。

ただし、学会での発表と、独立した第三者が製品を再現検証したことは違う。同社の学会紹介は自社の研究を説明しており、ここで根拠としている範囲も公開要旨と紹介本文である。

さらに2.5D AIアクセラレータの公開技術ページでは、約6.93億自由度に対して、二つの計算構成で約92.65秒と346秒を示す。値が構成で変わること自体が重要だ。自分の問題がどちらに近いか、前処理やGPU構成が何かを確認せず、「数秒で解ける」と一般化できない。

速い解と、現実をよく表す解は別の評価になる

熱伝導を単純化して考えるなら、定常状態では、

$$-\nabla\cdot(k(\mathbf{x})\nabla T(\mathbf{x})) = q(\mathbf{x})$$

という支配方程式を置ける。$k$ は熱伝導率（W/m/K）、$T$ は温度（K）、$q$ は体積当たり発熱（W/m³）である。境界には温度や熱流、対流などの条件が必要だ。これは一般的な定常熱伝導の説明であり、Vinciの内部アルゴリズムを示す式ではない。

離散化した方程式を $K\hat{\mathbf T}=\mathbf f$ と考えると、残差 $K\hat{\mathbf T}-\mathbf f$ が小さいことは、設定した方程式をよく満たしている証拠になる。しかし、$k$ や $q$、接触熱抵抗、冷却条件が現物と違えば、よく解けた計算も現物とはずれる。

ここで評価したいのは、少なくとも四つだ。

• 数値的な残差や収束。
• 同じ条件を置いた参照ソルバーとの一致。
• 未知の形状・材料・境界条件への適用範囲。
• 測定値と、製品の合否判断への影響。

PDEBenchは、多様なPDE、初期・境界条件、複数の評価指標でScientific MLを比較する枠組みを提示している。Vinciの半導体解析を認証するベンチマークではないが、一つの平均誤差に性能を押し込めないという評価の背景になる。

最高温度の許容限界が105℃なら、予測100℃と101℃の差は小さく見えるかもしれない。けれど冷却条件の不確実性で4℃上がるなら、設計判断は変わる。速さを使って境界条件の範囲を探索することが、単一条件の小さな誤差より役立つ場合がある。

1000倍速くなっても、設計は1000倍速くならない

ここからは、独自の説明モデルを置く。

一回の設計判断に必要な時間を、準備 $T_p$、計算 $T_s$、解釈 $T_i$、組織内の待ち時間 $T_q$ に分ける。計算だけを $g$ 倍速くすると、

$$G= \frac{T_p+T_s+T_i+T_q} {T_p+T_s/g+T_i+T_q}$$

が全体の高速化率になる。各時間は同じ単位で、作業が直列であると単純化している。実際の開発では並列化や別の工程もあり、このまま納期を予測する式ではない。

仮に準備2時間、計算10時間、解釈2時間、待ち時間10時間なら、全体は24時間。計算を1000倍にしても14.01時間で、約1.71倍にしかならない。極限で計算時間をゼロにしても、上限は約1.71倍だ。

つまり、製品としての価値はGPUカーネルだけで決まらない。ネイティブファイルから準備を減らし、条件を引き継ぎ、結果の比較を設計者へ返し、専門家への依頼待ちも減らせるか。それが全体の速度になる。

試す回数を増やす価値も、同じではない

一定の解析予算 $B$ の中で、一つの案に準備 $t_p$、計算 $t_s$、評価 $t_i$ が必要なら、試せる案の数はおおむね、

$$n\le\frac{B}{t_p+t_s+t_i}$$

となる。ここでも、ソルバーだけを速くしても準備と評価が残る。

もう一つ、候補が独立に確率 $p$ で条件を満たすという強い仮定を置くと、$n$ 案の中で少なくとも一つを得る確率は、

$$P(\mathrm{success})=1-(1-p)^n$$

になる。仮に $p=0.1$ なら、5案では約41％、30案では約96％。

これは実際の設計成功率ではない。近い設計は相関し、同じ誤ったモデルで30案を評価すれば、全案を同じ方向へ間違える可能性もある。この思考実験が教えるのは、速さの価値を比較回数へ変換できることと、その価値には候補の多様性と評価の信頼性が必要だということだ。

小さなソフトウェア企業が入れる場所

半導体全体の物理基盤モデルを一人で作る、という話にはならない。ただ、既存CAD・CAE・EDAをつなぐ業務の周辺には、検討できる余地がある。

たとえば、材料物性と境界条件の由来を版管理する。CAD更新後に同じ条件で差分解析を回す。設計案を比較し、温度・応力・コストの制約違反を一覧にする。最後の設計判断と使った解析結果を関連付ける。

推測ですが、ここには「解析を実行するAPI」より、「解析結果を意思決定へ戻す仕組み」の価値がある。製造業の設計資料を扱うなら、説明文を生成するだけでなく、その説明がどの形状・物性・境界条件から来たのかを追えることが重要になる。

最初の検証では、同一の入力と物理条件を置き、ファイル準備から判断までの時間を測りたい。定常熱だけでなく、界面、異方性、過渡応答、熱機械結合など、用途に必要な条件を含める。GPU台数・費用・残差・局所誤差・測定値との比較を残し、成功例だけでなく適用できない問題も記録する。

CAE / FEAの採用判断には、専門家に確認が必要だ。高速な比較に使う範囲と、最終検証として扱う範囲は、製品と失敗時の影響で変わる。

設計の後ろにあった解析が、設計者の隣へ来る。そのとき増えるのは、答えの数だけではなく、設計中に問えることの数なのだと思う。

Sources

確認日：2026-10-07 JST。Vinciの速度・精度・適用範囲は企業の主張。EPTC論文は公開要旨と企業による技術紹介を参照し、全文の独立再現を行ったものではない。FNOとPDEBenchは原論文の要旨を参照した背景研究であり、Vinciの実装・性能を裏付ける資料ではない。時間・探索確率の数式は独自の説明モデル。

• Vinci via Business Wire, Series B announcement, 2026-10-06.
• Vinci, Physics AI platform.
• Vinci, First Public Technical Showcase: EPTC 2025.
• Kabaria et al., Thermal Sensitivity Analysis of 3D IC Face-to-Back Stacking Using Foundation Models for Physics, 公開要旨・研究紹介。
• Vinci, Full-Fidelity Thermal Simulation at Floorplanning Speed for 2.5D AI Accelerator Packages.
• Li et al., Fourier Neural Operator for Parametric Partial Differential Equations, 2020.
• Takamoto et al., PDEBench: An Extensive Benchmark for Scientific Machine Learning, 2022.