ワイブル寿命の推定精度：10% 寿命の不確かさは特性寿命の 2.2 倍

熱サイクル試験を 1,000 サイクル回すには数か月かかります。そこへ機械学習を入れた報告があり、精度で逆転が起きています。

	予測寿命	実測との差
実測	1013 サイクル	—
有限要素解析	982	31（3.1%）
アンサンブル学習	1029	16（1.6%）

訓練データは解析結果そのものなのに、学習モデルのほうが実測へ近づきました。面白い結果ですが、この記事の主題はその先にあります。

比べている「寿命」が、どの寿命なのか。ここで使われている 1013 も 1037 も、ワイブル分布の特性寿命——累積故障率 63.2% に達するサイクル数です。設計が守るのは 10% 寿命のほうです。

この 2 つには、決まりやすさに固定の落差があります。その落差は、標本数にも形状母数にもよらず、先に決まっています。比は $4.82 = 2.196$ 。

AI が減らしたのは解析の回数で、試験はその手前で減っていた

昔 — 試験体を作って加速熱サイクル試験を回す。1 点あたり数か月
解析の普及後 — 有限要素解析で当たりを付け、試験を減らす。1 点あたり数時間
いま — 解析データで学習モデルを訓練し、解析を回す回数を減らす。1 点あたり数秒

段が 1 つ違います。試験を減らしたのは解析のほうで、学習モデルが減らしたのは解析です。

この位置取りは、公開された枠組みにもそのまま出ます。有限要素法そのものを訓練の教師に使う2026 年の手法¹は、要素の逆等径写像を使った演算子を組み立て、既存の有限要素コードを訓練へ流用することを狙っています。訓練形状を増やすほど未知形状での誤差が下がった、という報告です。減らす対象は、実験の手前にある解析のほうです。

もう 1 か所、目立ちにくい使い方があります。はんだの構成則の係数を実験曲線から取り出す仕事です。2023 年の報告²は、Garofalo・Anand・Chaboche の各構成則について SAC305 の係数を神経回路網で抽出し、ベイズ推論で分布まで出しています。学習モデルが解析を置き換える使い方と、学習モデルが解析の入力を作る使い方は別物です。後者は解析を残したまま使えます。

そのうえで、本題は精度の比較のほうです。

63.2% は、形状母数が厳密に落ちる唯一の点

ワイブル分布の累積故障率は

F (N) = 1 - exp [- (\frac{N}{θ})^{β}]

で、 $θ$ が特性寿命、 $β$ が形状母数です。故障率 $p$ に達するサイクル数を $N_{p}$ と書くと

N_{p} = θ a_{p}^{1/ β}, a_{p} = - ln (1 - p)

対数を取ります。

ln N_{p} = ln θ + \frac{ln a _{p}}{β}

$β$ が入る項は 1 つだけで、その係数は $ln a_{p}$ です。 $β$ で微分すると

\frac{\partial ln N _{p}}{\partial β} = - \frac{ln a _{p}}{β ^{2}}

これが厳密に 0 になるのは $ln a_{p} = 0$ 、つまり $a_{p} = 1$ のときだけ。 $- ln (1 - p) = 1$ を解いて

p = 1 - e^{- 1} = 0.632121 \dots

63.2% の正体は、形状母数が寿命の式から厳密に落ちる、ただ 1 つの故障率という点です。

これが、特性寿命が寿命指標のなかでいちばん狭く決まる理由です。いちばん決めにくい母数の寄与が、この故障率の選び方によって射影で消してあります。加速係数の換算を特性寿命の上で組む2010 年の大規模試験³が、パッケージ種・合金・ピッチ・ダイ寸法・基板厚・試験条件を横断した比較の土台に $θ$ を選んでいるのも、この安定さゆえです。

「1.6% で当たった」という数字は、その点の上で測られています。

低パーセンタイル寿命の不確かさは、 $θ$ の何倍かが先に決まる

$θ$ から $N_{p}$ へ移ると、 $β$ の不確かさが $ln a_{p} / β$ の重みで入ってきます。どれだけ入るかを、最尤推定の情報量から出します。

完全データのワイブル最尤推定について、標本数 $n$ での漸近分散は次の 3 つで書けます。

\frac{n Var ( β ^ )}{β ^{2}} = 0.6079, \frac{n β ^{2} Var ( θ ^ )}{θ ^{2}} = 1.1087, \frac{n Cov ( β ^ , θ ^ )}{θ} = 0.2570

$L = - ln a_{p}$ と書いて $ln N_{p} = ln θ - L / β$ を摂動すると

δ ln N_{p} = \frac{δ θ}{θ} + \frac{L}{β ^{2}} δ β

分散を取ります。

Var (ln N^_{p}) = \frac{1}{n β ^{2}} [1.1087 + 0.6079 L^{2} + 0.5140 L]

$Var (ln θ^) = 1.1087/ (n β^{2})$ ですから、割ると

R (p) = \frac{sd ( ln N ^ _{p} )}{sd ( ln θ ^ )} = 1 + \frac{0.6079 L ^{2} + 0.5140 L}{1.1087}

$n$ も $β$ も約分で消えました。括弧の中に残るのは $L$ だけ、つまりどの故障率を尋ねるかだけです。

故障率 $p$	$L = - ln a_{p}$	$R (p)$	$N_{p}$ （ $θ = 1037$ 、 $β = 5.53$ ）
1%	+4.600	3.839	451 サイクル
5%	+2.970	2.686	606
10%	+2.250	2.196	690
20%	+1.500	1.711	791
50%	+0.367	1.115	971
63.2%	0	1.000	1037

10% 寿命の相対不確かさは、特性寿命の 2.20 倍。1% 寿命なら 3.84 倍。63.2% 点で厳密に 1 に落ちるのは、前節の $L = 0$ がそのまま入っているからです。

漸近式に頼った導出なので、推定量そのもので確かめます。ワイブル乱数から最尤推定を 12 万回ずつ回し、 $ln θ^$ と $ln N^_{10}$ の標準偏差の比を測りました。

$β$	$n = 24$	$n = 96$	$n = 400$
2.50	2.173	2.187	2.195
5.53	2.189	2.182	2.204
12.0	2.174	2.187	2.191

形状母数を 4.8 倍、標本数を 17 倍振っても、比は 2.17〜2.20 の帯に収まります。予言した 2.196 と、標本 24 本でも 1% 以内で一致します。ワイブルの区間推定を条件付き枢軸量・尤度比・Birnbaum 統計量で比べた2005 年の研究⁴が示すとおり、区間の作り方によって幅そのものは動きますが、ここで問うている比は推定量の情報行列の側で決まっているので、作り方の差を越えて保たれます。

24 本を 96 本にしても 1.098 倍どまりで、必要なのは 116 本

比が固定されている、という結果には続きがあります。

$sd (ln θ^)$ も $sd (ln N^_{p})$ も $1/ n$ で縮みます。縮み方が同じなので、標本を増やしたとき動くのは全体の水準だけで、比はそのままです。

そこで比較対象を具体化します。標本 24 本で得た特性寿命と同じ相対精度を、10% 寿命で得るには何本要るか。

n^{'} = 24 \times R (0.10)^{2} = 24 \times 2.195 5^{2} = 115.7 \Rightarrow 116 本

116 本。24 本の 4.82 倍です。

ここで、よくある増やし方を当てはめます。24 本を 96 本へ、つまり 4 倍にした場合。

R (0.10) \times \frac{24}{96} = 2.1955 \times 0.5 = 1.098

4 倍にしても、まだ 1.098 倍。24 本の特性寿命が持っていた精度まで、10% 寿命はあと 9.8% 残します。「標本を 4 倍にする」という、予算としてはかなり大きい決断で、ようやくこの距離です。

故障率をさらに下げると、要求はもっと伸びます。

目標	標本 24 本の $θ$ と並ぶのに要る本数
10% 寿命	116 本
5% 寿命	174 本
1% 寿命	354 本

熱サイクル試験は 1 点に数か月かかる試験です。加速係数の定数そのものがパッケージ構成ごとに引き直されている——2012 年の研究⁵は銅コア基板とコア無し基板、9 通りの試験条件で SAC305 の Norris-Landzberg 加速係数と、それに対応する材料定数を主成分回帰で組み直しています——ことを考えると、354 本という数は、実務では現実的ではありません。

だから比は、払い切れる見込みの薄い固定の割増です。

小標本のずれは、危険側へ向く

幅の話で切り上げると片手落ちです。中心がどちらへずれるかも測ります。

同じモンテカルロで、推定値と真値の比の中央値を取りました。

$n$	$β^/ β$	$N^_{10} / N_{10}$	$θ^/ θ$
12	1.084	1.029	0.997
24	1.041	1.014	0.999
48	1.020	1.007	0.999
96	1.010	1.004	1.000
400	1.002	1.001	1.000

形状母数は高めに出ます。標本 24 本で中央値が真値の 1.041 倍、12 本なら 1.084 倍。形状母数を減らすよう補正した最尤推定を提案する2023 年の研究⁶が、完全データと第 I 種打切りの両方でこの偏りを主題にしているのは、そのためです。

$N_{10} = θ a^{1/ β}$ で $a < 1$ ですから、 $β$ が高く出ると $a^{1/ β}$ は 1 へ近づきます。つまり 10% 寿命は長めに出ます。

標本 24 本での中央値は 1.014 倍。幅に比べれば小さい偏りですが、向きが問題です。標本を削るほど、10% 寿命は実際より長いほうへ出ます。安全側の逆向きです。

特性寿命のほうは 0.999 倍で、実質そのままです。63.2% 点は、幅が最小であるうえに、偏りもほぼ持たずに済みます。使いやすい量ではあります。ただし使いやすさは、守りたい量であることとは別です。

もう 1 つ。標本 24 本での $β^$ の標準偏差は $0.894/ n$ で、漸近値の $0.780/ n$ より 15% 広く出ました。小標本では、漸近式が幅を控えめに言います。上で出した 116 本は、その意味で下限です。

2 構造の比較は、自由度が 0

ここまでは「絶対値を当てる」話でした。実務でよく使う、もう 1 つの読み方を検算します。

解析は絶対値では外すが、2 構造の比なら当たる、という経験則です。実例が出ています。6 面モールド版と通常版を同じ温度条件で解いて、両方を実際に試験したもの。

	隅のはんだの累積クリープひずみ	特性寿命（実測）
6 面モールド	0.036	1,037 サイクル
通常版	0.099	368 サイクル

寿命則を $N_{f} = C (Δ ε)^{- n}$ と書くと、同じ材料・同じ温度条件で解いた 2 構造の比では $C$ が約分で消えます。

\frac{N _{A}}{N _{B}} = (\frac{Δ ε _{B}}{Δ ε _{A}})^{n}

ひずみの比 $0.099/0.036 = 2.750$ 、寿命の比 $1037/368 = 2.818$ 。指数を 1 とした素朴な換算で、差は 2.4%。絶対値で 3.1% 離れた解析が、比では当たったように読めます。

2 つの比から指数を逆算できるからです。

n = \frac{ln 2.818}{ln 2.750} = \frac{1.0362}{1.0116} = 1.0241

報告された 2.4% は、この $n$ が 1 からどれだけ離れているかと、同じ量です。

\frac{r _{N} - r _{ε}}{r _{N}} ≃ (n - 1) ln r_{ε} = 0.0241 \times 1.0116 = 0.0244

左辺の実測値は 0.0241、右辺は 0.0244。一致します。つまり「解析の比が 2.4% で当たった」という文は、「はんだの疲労指数が 1 から 2.4% ぶんだけ離れている」と言い換えても情報量が同じです。解析の出来について語る部分は、ここで空になります。

自由度で書くと、もっと端的です。2 構造からは独立な比が 1 つ取れます。合わせ込む自由な母数は指数 $n$ の 1 つ。 $1 - 1 = 0$ 。残差を測る余地は、はじめから空です。 $k$ 構造なら比が $k - 1$ 本、自由度は $k - 2$ 。この検算が反証可能になるのは、構造が 3 つ並んだときからです。

指数が 1 の近くに居たことには、公開文献の側で裏付けが付きます。クリープひずみエネルギー密度を基準に取ると、2021 年の解析⁷が書くとおり破断サイクル数は平均クリープひずみエネルギー密度に反比例します。エネルギー基準での指数は 1 です。き裂進展速度をひずみエネルギー密度基準で組んだ2004 年の研究⁸も同じ骨格に立っています。ここで使われた「累積クリープひずみ」は、エネルギー的な量の代役として働いていたことになります。

代役が崩れる場合を数えておきます。ひずみ基準の指数は 2 前後になることがあります。同じ、完璧に正しい解析を、指数 1 として読んだ場合のずれ方です。

真の指数	予測される寿命比	指数 1 と読んだときのずれ
1.0	2.75	0.0%
1.5	4.56	39.7%
2.0	7.56	63.6%
2.8	16.99	83.8%

動かしたのは指数だけで、解析の質はそのままです。それで 2.4% が 63.6% になります。「比なら当たる」の当たり具合を決めているのは、解析の精度の代わりに、指数が 1 からどれだけ離れているかです。

対照として、自由度が立っている検算も同じ報告の中にあります。ランプ時間とドウェル時間を振った 4 条件の寿命表に加速係数の式を当て、全条件で 0.6% 以内。4 つの実測値に対して自由な定数が 2 つなら、自由度は 2 です。こちらは落ちる余地のある検算で、実際に通りました。同じ報告の中に、自由度 2 の検算と自由度 0 の検算が並んでいます。自由度を数えてから進む手間が、そこで要ります。

アンサンブルの床は $ρ$

最後に、学習モデル側の設計を検算します。3 つのアルゴリズムと、その組み合わせの表です。

モデル	最大テスト誤差	平均テスト誤差
ANN	66（4.1%）	8.1
RNN	82（8.9%）	8.0
GPR	69（6.3%）	11.3
ANN + RNN	63（6.8%）	7.0
ANN + GPR	70（6.4%）	8.7
RNN + GPR	77（5.7%）	8.8
全部	67（5.9%）	7.9

平均誤差は、ほぼ同じ帯に留まります。理由を数で示します。

$m$ 個のモデルを等重みで平均したとき、個々の誤差の分散を $σ_{i}^{2}$ 、対ごとの誤差相関を $ρ$ とすると

σ_{ens}^{2} = \frac{1}{m ^{2}} [i \sum σ_{i}^{2} + 2 ρ i < j \sum σ_{i} σ_{j}]

この式を $ρ$ について解き、表の数字を入れます。

組み合わせ	実測	誤差が独立なら	逆算した $ρ$
ANN + RNN	7.0	5.69	0.512
ANN + GPR	8.7	6.95	0.598
RNN + GPR	8.8	6.92	0.653
全部	7.9	5.35	0.617

4 通りの組み合わせが、0.51〜0.65 という揃った相関を指します。別々に解いた 4 本の式が同じ帯へ入るので、等重み平均という仮定ごと裏が取れた形です。

この $ρ$ が床を決めます。全モデルの誤差分散が等しい場合、上の式は

\frac{σ _{ens}}{σ} = \frac{1 + ( m - 1 ) ρ}{m} m \to \infty ρ

$ρ = 0.60$ なら床は $0.60 = 0.775$ 。アルゴリズムを無限に並べても、平均誤差は単体の 77.5% までです。 $m = 2$ で既に 0.894、 $m = 3$ で 0.856。2 本から先は、残り 13% を取りにいく作業になります。

平均精度を上げる目的でアンサンブルを組むなら、2 本目までで打ち止めです。表の「全部」が ANN + RNN より悪いのも、これで筋が通ります。

さらに、等重みという選び方そのものを検算します。ANN（8.1）と GPR（11.3）、 $ρ = 0.598$ の最小分散重みは

w^{*} = \frac{σ _{2}^{2} - ρ σ _{1} σ _{2}}{σ _{1}^{2} + σ _{2}^{2} - 2 ρ σ _{1} σ _{2}} = 0.870

組み方	平均誤差
ANN 単体	8.10
等重み（0.500）	8.70（単体より 7.4% 悪い）
最適重み（0.870）	8.01（単体より 1.1% 良い）

GPR を足したときの悪化は、GPR の素性と、等重みという足し方の両方から来ます。最適重みなら単体を下回ります。ただしその下回り方は 1.1% で、手間に見合うかは別の判断になります。回帰型のガウス過程と神経回路網を同じ課題で並べた2019 年の研究⁹も、両者がそれぞれ内挿と外挿で使えることを示しつつ、データの偏りが結果を左右する点を主題にしています。混ぜる相手より、混ぜ方が先に結果を左右します。

なお、この節の相関は平均誤差から逆算したもので、最大誤差のほうは別の量です。最大誤差は 8.9% から 5.7〜6.8% へ確かに縮んでいます。アンサンブルが改善するのはそちらです。

ワイブル寿命の推定精度：10% 寿命の不確かさは特性寿命の 2.2 倍

AI が減らしたのは解析の回数で、試験はその手前で減っていた

63.2% は、形状母数が厳密に落ちる唯一の点

低パーセンタイル寿命の不確かさは、 $θ$ の何倍かが先に決まる

24 本を 96 本にしても 1.098 倍どまりで、必要なのは 116 本

小標本のずれは、危険側へ向く

2 構造の比較は、自由度が 0

アンサンブルの床は $ρ$

出典

AIに聞く

AI が減らしたのは解析の回数で、試験はその手前で減っていた

63.2% は、形状母数が厳密に落ちる唯一の点

低パーセンタイル寿命の不確かさは、θ の何倍かが先に決まる

24 本を 96 本にしても 1.098 倍どまりで、必要なのは 116 本

小標本のずれは、危険側へ向く

2 構造の比較は、自由度が 0

アンサンブルの床は ρ​

出典

あわせて読む

低パーセンタイル寿命の不確かさは、 $θ$ の何倍かが先に決まる

アンサンブルの床は $ρ$