DUNLOP 與富士通利用 AI 進行輪胎結構分析實證，所需時間縮短約 90%

DUNLOP（公司名稱：住友橡膠工業股份有限公司）（以下簡稱 DUNLOP）與富士通股份有限公司（以下簡稱富士通）為實現 DUNLOP 長期經營策略中所揭示的設計 DX，共同開發了能以 AI 高精度且短時間預測輪胎性能的技術「AI 代理模型」，並於此次實證實驗中確認了成果。在本實證實驗中，將所開發的技術應用於預測輪胎接觸路面時的變形行為，結果不僅將分析時間從傳統的約 45 分鐘大幅縮短至約 5 分鐘（削減約 90%），同時也實現了約 60 萬個元素（網格）規模的分析。

兩家公司將根據此實證實驗的成果，推進輪胎設計開發支援工具的開發，目標是在 DUNLOP 於 2027 年 4 月開始實用化。藉此，DUNLOP 將加速數據驅動的開發，目標是快速向市場供應更安全、環境性能更優越的高品質輪胎。

此外，該技術的設計前提是運行於富士通所開發、追求高效能與省電性的 Arm 架構次世代 CPU「FUJITSU-MONAKA」。今後，兩家公司將以此技術為基礎，於 2026 年 12 月前開始在「FUJITSU-MONAKA」驗證機上進行實證，目標是進一步最佳化推論速度、精度以及電力效率。

背景

在製造現場，透過模擬產品或結構物行為來評估性能與安全性的 CAE（電腦輔助工程）分析，隨著產品的高性能化與複雜化，耗費了大量的分析時間。
在輪胎設計中，採用了 CAE 分析方法之一的 FEM（有限元素法）分析。分析時，細分網格並增加元素數量可提高精度，但同時也會增加計算時間及隨之而來的開發成本，因此需要在精度與計算負載之間取得平衡。此外，分析需要專業知識，確保熟練技術人員的穩定供應也是一項課題。
為了解決這個問題，兩家公司利用過去累積的 FEM 分析結果作為學習數據，開發了能高速預測 FEM 基礎方程式解的技術「AI 代理模型」。

實證實驗的成果

兩家公司運用了 DUNLOP 的輪胎設計知識與實際設計數據，以及富士通的 AI 技術，共同開發了以圖神經網路（graph neural network, GNN）演算法為基礎的 AI 代理模型，並進行了關於輪胎結構分析的實證實驗。實證實驗的評估對象包括輪胎接觸路面時的接觸形狀、接觸壓力分布等變形行為與接地特性。結果顯示，傳統 FEM 分析需要約 45 分鐘的分析，現在可在約 5 分鐘內完成近似分析，並且與 FEM 分析相比，能以平均 87.7% 的高精度預測輪胎與路面的接觸形狀。透過這項技術，以往需要經過多個設計流程才能決定的輪胎結構與材料規格，現在可以用更少的流程在短時間內決定。這不僅能加速決策，還有望在提升性能的同時最佳化成本。
此外，這項成果的一部分已於 2026 年 6 月 3 日起舉辦的第 31 屆計算工程學講演會上發表。

關於未來

兩家公司計畫針對此 AI 代理模型，於 2026 年 12 月前開始在「FUJITSU-MONAKA」驗證機上進行實證，目標是最佳化推論速度與電力效率。同時，也將擴大輪胎結構分析的適用範圍，並將其開發為即使不具備專業知識，設計師也能直接使用的設計開發支援工具，目標是在 DUNLOP 於 2027 年 4 月開始正式運作。
DUNLOP 在其長期經營策略「R.I.S.E. 2035」之下，目標是「持續為所有人提供從橡膠中產生的全新體驗價值」。透過此次與富士通的共創，將進一步進化其獨特的「橡膠・分析技術能力」，並實踐 DUNLOP 的宗旨：「以開創未來的創新，創造最高等級的安心與喜悅」。
富士通將以此合作為基礎，推動以汽車產業為首的製造業中大規模 FEM 分析的橫向展開，今後將透過開發結合「FUJITSU-MONAKA」與 GNN 的 AI 推論平台，並在 AI 平台「Fujitsu Kozuchi」上提供，為製造業的開發最佳化與透過省電化實現碳中和做出貢獻。