エンジニアリング分野における形状最適化は、専門知識に依存した問題設定と代理モデルの信頼性という2つの課題に直面しています。実際の空気力学設計では、編集可能な領域や変形範囲、設計保存制約といった最適化の設定が、経験豊富なエンジニアによって手作業で指定されることが多く、また異なる形状データベースや分布外設計に対しては代理モデルベースの最適化の信頼性が低下する傾向があります。 これらの課題に対応するため、研究チームは知識制約型の形状最適化フレームワークを提案しました。このフレームワークは、知識ベースの制約とユーザーの意図をDFFD（自由形式変形）ベースの変形オペレータの定量化可能なパラメータに変換し、エンジニアリングを考慮した制御可能な制約付き最適化を実現します。さらに、Mixture-of-Experts Neural Operator（MoE-NO）を開発して、異種の空気力学データセット全体にわたる抵抗力予測とトレンド一貫性を改善しました。 MoE-NOエンコーダとマハラノビス距離に基づいて、不確実性推定戦略を導入し、分布外幾何学形状を検出して物理ソルバーのフィードバックを選択的にトリガーし、局所的なサンプル充実を実現しています。社内のMPV、SUV、セダンのデータセットを用いた実験では、MoE-NOはテストセットのMAPEで1.16%、トレンド予測精度で94.34%を達成し、それぞれ従来手法の1.52%と90.34%を上回る性能を示しました。 実車の形状最適化実験では、CFD（計算流体力学）で検証された抵抗係数削減が約4%から10%の範囲で達成されました。このアプローチにより、エンジニアリング知識を組み込みながら、より信頼性の高い自動最適化設計が可能になることが示されています。