24/7 シミュレーションループ：エージェント型 AI が地下資源工学を推進する方法

地下資源業界は、デジタル進化の重要な転換点に立っています。長年にわたり、貯留層の可能性を引き出すには、専門家が不可欠かつ時間のかかる手作業ワークフローを遂行する必要がありました。 データが複雑化するにつれ、機械の処理速度と人間の処理能力との間に大きな隔たりが生じ、これが主要なボトルネックとなっています。 オンデマンドシミュレーションワークフローは現在、手動によるデータオーバーヘッドと本質的な運用遅延によって妨げられています。エンジニアが散在する技術資料を手動で集約・統合・翻訳する必要があり、知識の統合に重大なボトルネックが生じてプロジェクトサイクルが長期化しています。 さらに、シミュレーションジョブが非同期であることもこの問題を複雑にします。オフアワーやエンジニアが複数の優先事項を処理している間にシミュレーションが完了または失敗すると、待機時間が蓄積されます。その結果、標準的な 24 時間以内のターンアラウンド（ turnaround）が数日間の遅延に悪化し、グローバルチーム全体の進捗が停滞します。 本稿では、NVIDIA のフルスタック・アクセラレーテッド・コンピューティングプラットフォーム（accelerated computing platform）上にアジェンティック AI（agentic AI）を適用することで、手動かつ専門家の能力に限られたワークフローが、地下資源工学およびその分野を超えて、常時稼働型の計算駆動型シミュレーションワークフローへとどのように変革されるかを解説します。 ## アジェンティック・シフト アジェンティック AI は、反復的な技術的課題を肩代わりすることでこの風景を変え、エンジニアが「十分」な結果に満足する段階を超えて、より広い解決策空間を探求し、資産価値の向上を推進することを可能にします。 このパラダイムにおいて、エンジニアは戦略的な監督役割へとシフトし、高レベルの方向性を決めるためにループ内に留まりつつ、実行はエージェントが担当します。本記事では、そのようなシステムを構築する方法を示します。 当社の例は地下資源シミュレーションに焦点を当てていますが、このフレームワークはツールに依存しないものであり、複雑なシミュレーションワークフローに依存するあらゆる業界に応用可能です。 以下に示す図 1 のマスターアーキテクチャは、中央のオーケストレーションエージェントと、シミュレータとの対話やワークフロー管理を専門とする特殊化されたエージェントを統合したものです。 ![image](https://developer-blogs.nvidia.com/wp-content/uploads/2026/04/image9-1.webp)*図 1. 全体のマスターアーキテクチャ図*** ## レザーバーシミュレーションアシスタント：日常業務の加速化 レザーバーシミュレーションアシスタントは、エンジニア、技術文書、およびシミュレータの間のギャップを埋めるデジタルドメインエキスパートとして機能します。これは既存のモデリング環境と共に動作し、反復的なタスクや技術的障壁を処理するための補完的な高速ルートです。 ビデオ 1. レザーバーシミュレーションアシスタントのデモ* ## 主なポイント レザーバーシミュレーションアシスタントは、確立された業務ツールを置き換えるものではなく、それを補強するために設計されています。シミュレーションループにおける事務的な部分を任せることで、エンジニアは大幅なリソース（バンド幅）を回復できます： - インスタントな対話：ネストされたメニューをナビゲートすることを選ぶか、ターミナル経由でコマンドを実行することを選ぶかを問わず、エージェントは面倒なファイル検索を瞬時の結果に置き換えます。シミュレーションデッキをチャットへドラッグして実行を開始するところから、「Well-X のスキン係数は何か？」と尋ねるまで、システムが数秒で手動の参照やデッキ設定を処理します。 - 迅速な分析：エージェントは時系列曲線のプロットを超え、即座に診断を提供します。「なぜ Well-X で早期の水突破が見られるのか？」といった複雑な質問にも瞬時に回答可能です。通常、これには数時間にわたる手動での相互参照が必要となります。 - 摩擦のない「もしも」シナリオの反復：構文の問題に悩まされることなく、アジャイルなシナリオテストを実行できます。エージェントは面倒なキーワード編集とベースライン比較を処理し、自己修復ロジックが収束問題や入力エラーを先回りして修正します。必要に応じて人間をループに組み込むことで、シミュレーションを 24/7 稼働させ続けます。 ![image](https://developer-blogs.nvidia.com/wp-content/uploads/2026/04/image10-2.webp)*図 2：アクティブ化されたサブエージェント：貯留層シミュレータアシスタント* 究極的に、このパーソナルエージェントは多段階の手動管理プロセスを、単一の自然な会話へと変換します。 デモではスタンドアロンのインターフェースを採用していますが、これらのエージェント機能を業界標準の高忠実度モデリングプラットフォームに直接統合する可能性は、地下デジタルエコシステムにとってエキサイティングな進化を意味しています。 ## マルチエージェント・スクワッド：複雑なエンジニアリング研究のオーケストレーション 貯留層シミュレーションアシスタントは、迅速なシナリオテストや手動検索などの日常業務を強化しますが、これらは往々にして、**履歴整合（ヒストリーマッチング）やフィールド開発最適化**といったより大規模で複雑なシミュレーション研究の最初のステップに過ぎません。これらのワークフローは地下資源に関する意思決定プロセスの中核を担いますが、その難易度は極めて高く、2 つの主要なボトルネックである「運用遅延（レイテンシー）」と「専門知識のギャップ」が交差する地点にあるためです。 第一に、これらのワークフローは待機時間の主な原因となっています。単一のワークフローサイクルに数日かかる場合が多く、結果が非勤務時間に完成してもそのまま放置されるためです。この非同期な隙間が、標準的な 24 時間の実行を数日間の遅延へと変えてしまいます。 第二に、そしてより重要なのは、これらの研究には「ヒューリスティックな一時停止（ヘウリスティックポーズ）」が必要だということです。各サイクルの終了後、専門家が多次元データを手動で統合し、次の実行のためにパラメータをどのように転換するかを決定する必要があります。このレベルの専門性は通常、数年間の経験か、あるいはそのような専門リソースが本質的に不足している外部コンサルティングへの依存を必要とします。このヒューリスティックな一時停止は認知上のボトルネックを生み出し、ワークフローが専門家の介入を待つ間にプロジェクトのタイムラインに大きな遅延を加えることになります。 この課題を解決するため、単一エージェントモデルからマルチエージェントのチームへと移行します。このシステムは専門的な貯留層エンジニアリングチームを模倣し、多数のデジタル若手エンジニアのグループを活用して、大規模な最適化ジョブを自律的に実行・監視します。 24 時間年中無休のオーケストレーションレイヤーとして機能するこのチームは、1 つのサイクルが終了した瞬間にデータを統合し、次のパラメータを提案し、直ちに次の実行を開始することで、反復処理間のアイドル状態による死時間を効果的に排除します。 ![image](https://developer-blogs.nvidia.com/wp-content/uploads/2026/04/image8-1.webp)*図 3. 貯留層シミュレーションワークフローのためのアクティブ化されたサブエージェントシステム*** ## エージェント型ワークフローの主要原則: - ヒューマン・イン・ザ・ループ (HITL): 高い自律性を有するものの、エンジニアは総監督権限を維持します。数百ものシミュレーションジョブを含むワークフローを開始する前に、エージェントが提案した計画を確認し承認します。 - 信頼できるエコシステム: エージェントはツール呼び出しを通じて、業界標準のシミュレーションおよびオーケストレーションソフトウェアを利用します。物理法則を置き換えるのではなく、ボトルネックを引き起こす手動で反復的なタスクを排除することで、納期を加速させます。 - 非依存かつ将来にわたって対応可能：本実装は、シミュレーションには OPM Flow を、最適化には社内 Python コードをそれぞれ活用していますが、フレームワーク自体はモジュール性を重視して設計されています。エージェント層は物理エンジンから切り離されており、業界標準の商用シミュレータや独自コードベースとのシームレスな統合が可能です。 ケーススタディ：井戸配置最適化 この仕組みを実証するため、マルチエージェント・スクワッドを [Brugge ベンチマークモデル](https://www.isapp2.com/data-sharepoint/brugge-data-set.html) における井戸配置の最適化問題に適用しました。目的は、30 本の井戸の位置を最適化することで、正味現在価値（NPV: Net Present Value）を最大化することです。 - 協調的計画：提案エージェントが最適化戦略（例：遺伝的アルゴリズム対粒子群最適化、特定のハイパーパラメータセットを用いた場合など）を提案し、批評家エージェントが議論ループを通じてそれらを洗練させます。 - ダイナミックなオーケストレーション：エージェントは、パフォーマンス指標とドメイン知識に基づいて調整パラメータを実時間で変更します。 - 運用安定性：ジョブマネージャーが健全性を監視し、予期せぬ障害による待機時間を排除します。 - 自動化されたデータ合成：結果分析担当者が高次元の生データを、実行可能なインサイトに変換します。 この特定の例では、技術マニュアルや過去の実験に基づいたエージェントの議論が戦略的に進化しました。初期の反復では、厳格な予算内で解空間を広くサンプリングするために、大規模な個体群と高い突然変異率を活用して広範な探索を優先していました。ワークフローが進むにつれて、思考プロセスは進化的深さへとシフトしました。**例えば、性能が初期サンプリングに制限されているのか、世代の深さに制限されているのかを検証するために、サンプリング重視の遺伝的アルゴリズム（GA）変種から、PSO（粒子群最適化）に着想を得た構成へ転換しています。 ![image](https://developer-blogs.nvidia.com/wp-content/uploads/2026/04/image4-4.webp)*図 4. NPV（正味現在価値）の収束比較：ベースライン対反復型エージェントワークフロー（左）および残存油分布の比較（右）** ## ビルドブロック：NVIDIA Inference Microservices これらのエージェントを駆動する知能は、リアルタイムのエンジニアリング推論に必要な低遅延かつ本番環境対応の推論を提供する [NVIDIA Inference Microservices (NIM](https://developer.nvidia.com/nim)) によって支えられています。 - 高度な推論：エージェントは、複雑な推論、計画、多段階のエージェントワークフローに設計された最先端モデルである Llama-3.3-Nemotron-Super-49B-v1.5 を活用します。 - 文脈知能：取得強化生成（RAG）は、Llama-3.2-NeMo-Retriever-300M-Embed-v2 によって実現され、エージェントの回答が独自の技術ドキュメントやシミュレーションマニュアルに基づいていることを保証します。 - モジュラーアーキテクチャ：本システムは ChatNVIDIA と LangChain 互換インターフェースを統合し、LangChain および LangGraph フレームワーク内でシームレスなオーケストレーションを実現します。これにより、プログラムによるシミュレーター API へのアクセス、データベースクエリ、カスタムツールの利用に対して構造化された関数呼び出しが可能となり、マルチステップワークフロー全体で信頼性の高い状態管理を維持できます。 - フレキシブルなデプロイメント：本アーキテクチャは build.nvidia.com の API エンドポイントを用いた迅速なプロトタイピングをサポートし、その後、単一行の設定変更により自己ホスト型大規模言語モデル（LLM: Large Language Model）の展開へホットスワップすることが可能です。これにより、完全なデータ主権を確保したオンプレミス環境での安全な実行が可能となります。 このアジェンティックシステムは、エンジニアの注目をタスクの実行からオーケストレーションへとシフトさせます。従来、手動による情報取得や監視に費やされていた時間が、時間的制約のために検討されなかったであろう代替シナリオの探索や資産戦略の最適化へと転換されます。 これらの成果は貯留層シミュレーション（reservoir simulation）の領域内で実証されましたが、提案されたアジェンティックシステムは本質的に特定のシミュレーションツールに依存しない（simulation-tool agnostic）設計です。したがって、このフレームワークは地質 CO2 封入や地熱エネルギーといった隣接する最前線、あるいは複雑で反復的なシミュレーションワークフローを必要とするあらゆる産業へと、自然に拡張可能です。 何もしないことによる機会費用（opportunity cost）は、もはや測定可能なものとなっています。従来のワークフローがキューで待機している間、アジェンティックシステムはすでに次のイテレーションの探索を進めています。 ## 始め方 これらの機能をコミュニティに提供しています。GitHub 上の [オープンソースリポジトリ](https://github.com/NVIDIA/GenerativeAIExamples/tree/main/industries/energy/simulation-workflow-agent) のリリースからアクセスし、エンドツーエンドのマルチエージェントワークフローを試すことができます。さらに、特定のユースケースに合わせてこれらのアジェンティックワークフローをカスタマイズすることも可能です。

24/7 シミュレーションループ：エージェント型 AI が地下資源工学を推進する方法

背景や根拠まで確認しますか？

調べる

選ぶ

サイト