MPC誘導型MARL周波数制御、モデル教師を上回るも安全性は未実証
MPC誘導型MARL周波数制御は、シミュレートされた外乱全般で5つの比較手法を上回ったが、実運用への導入に必要な正式な安全保証は依然として欠いている。研究チームはこの結果を、2026年9月30日にオンライン公開されたオープンアクセス研究で報告した。同手法では、強化学習エージェントが独立して学習を始める前に、モデル予測制御を用いてエージェントを学習させる。
この構成が中心的な緊張関係を生む。モデル予測制御（MPC）は、モデル化された制約を守る規律ある例を提供する。一方、マルチエージェント強化学習（MARL）は、環境との相互作用を通じてそれらの例を超えて適応する。学習器は最終的に教師より高い性能を示すが、運用中には教師が持つ制約の執行を継承しない。
この研究は、太陽光発電、ディーゼル発電機、地域負荷、電気自動車クラスターを含む相互接続型マイクログリッドを対象とする。当面の競合相手は、別の企業や商用製品ではない。予測可能なモデルベース制御と、適応性のあるデータ駆動型制御との既存の選択肢である。
オープンアクセス論文では、この二つの経路を組み合わせるために設計された段階的学習フレームワークを提示している。シミュレーションは、通常のMA-TD3、MA-A2C、MPC、行動模倣、固定された専門家リプレイ戦略を上回る周波数制御性能を示している。ただし、試験では信頼性の高い通信を前提とし、モデル化されたシステムに限定されている。
したがって、これはAIが従来型制御に取って代わるという物語ではない。従来型制御が、学習器が最終的に発見できることを制限せずにAIシステムを訓練できるかを問う試みだ。
MPC誘導型MARL周波数制御は制約付きの教師から始まる
本研究は、モデル知識が強化学習に入る方法を変え、MPCのデモンストレーションを時折の指針ではなく方策の基盤へと転換する。
研究チームは、複数の接続されたマイクログリッドにまたがる負荷周波数制御を扱う。負荷周波数制御は、電力供給と需要の均衡を十分に保ち、システムの目標周波数からの偏差を抑える。相互接続されたネットワークでは、あるマイクログリッド内の外乱が連系線を通じて伝わり、近隣の系統に影響する可能性がある。
再生可能エネルギーと電気自動車が系統に加わると、この問題はさらに難しくなる。太陽光出力と地域需要は変動し、車両の利用可能性とバッテリーの充電状態も時間とともに変化する。制御器は、ネットワーク内の別の場所に新たな不安定性を生じさせずに、複数の資源を調整しなければならない。
提案システムでは、各マイクログリッドにエージェントを割り当てる。各エージェントは、接続システム全体の周波数偏差、連系線電力の変化、自身のマイクログリッドにおける正味の電源・負荷外乱を観測する。また、以前の値も受け取るため、方策には限定的な時間的文脈が与えられる。
各エージェントは3つの連続的な制御指令を出力する。これらの指令は、そのマイクログリッド内のディーゼル発電機と2つの電気自動車クラスターに対応する。車両群はVehicle-to-Grid運用を通じて柔軟な蓄電資源として機能し、接続されたバッテリーが地域の電力システムを支援できるようにする。
学習はMPCから始まる。これは将来の挙動を繰り返し予測し、指定された制約の下で行動を選択する制御手法だ。MPCは、複数マイクログリッドのシステムモデルを用いて状態・行動軌跡を生成する。これらの軌跡が、学習エージェントのための専門知識ライブラリとなる。
第1段階では、行動模倣によって、エージェントはシミュレートされた環境と相互作用することなく専門家軌跡を模倣するよう学習する。行動模倣とは、観測された状態を専門家が取った行動へ対応付ける教師あり学習である。この段階により、エージェントには構造化された初期方策が与えられる。
環境との相互作用は第2段階で始まる。専門家の例は、新たに生成された経験とともにリプレイバッファへ入るが、相互作用データが蓄積するにつれて相対的な影響力は低下する。研究チームは、この移行によって不安定な探索を抑え、初期方策からの急激な断絶を防ぐことを意図している。
基盤となる学習器は、MA-TD3と略されるMulti-Agent Twin Delayed Deep Deterministic Policy Gradientだ。2つのクリティックが行動の質を推定し、遅延更新とターゲット平滑化によって過大評価や不安定な方策変化に対処する。このアーキテクチャは、協調する制御エージェントへTD3を拡張したものである。
報酬関数も学習中に変化する。局所的な周波数制御、マイクログリッド間の協調、過大な偏差へのペナルティを組み合わせる。エピソード依存の要因により、エージェントは初期の局所安定化から、より広範な協調へと段階的に移行する。
この一連の流れは、初期の報道で使われた教室の比喩より重要だ。「教師」は、より優れた一般推論能力を持つ第2のニューラルネットワークではない。明示的なシステムモデルに基づく例を生み出す、逐次的な最適化プロセスである。
学習器も、単にMPCをコピーしているわけではない。まずモデルベース制御器の挙動を取り込み、その後シミュレーションを通じて代替案を探索する。この違いが、最終方策が選定された評価指標において教師を上回り得る理由を説明する。
論文公開後に発表された研究概要は、この手法をモデル教師から学び、複数マイクログリッドの周波数を安定させるAIとして説明している。この表現は理解しやすいが、実際の貢献はより限定的だ。焦点は、マルチエージェント学習において専門家軌跡をどのように生成し、配分し、徐々に薄めていくかにある。
これは結果を解釈するうえで重要な境界線だ。システムが扱うのは、モデル化された複数マイクログリッド環境における協調周波数制御である。自律的な送電網管理、経済負荷配分、復旧、市場運用のための汎用手法を確立するものではない。
再生可能エネルギー比率の高いマイクログリッドは両方の制御経路に圧力をかける
相互接続されたマイクログリッドは、固定モデルと制約のない学習の双方の弱点を露呈させ、制御器に協調、適応、運用上の規律の均衡を迫る。
従来の周波数制御器は、その前提が実際の運転条件に近い状態に保たれる場合に最も効果を発揮する。MPCは、制御入力、出力上限、連続する指令間の変化を考慮できる。また、エンジニアがシステムモデルと結び付けられる決定を生み出す。
しかし、再生可能エネルギー出力、地域需要、車両挙動は、完全に捉えることが難しい外乱をもたらす。実際のダイナミクスが前提から外れると、モデルの有用性は低下し得る。各サンプリング時点で最適化された行動を再計算することも、相応のオンライン計算を必要とする可能性がある。
純粋な強化学習は別の可能性を提示する。エージェントは、決定ごとに新たな最適化問題を解くのではなく、報酬と環境との相互作用から方策を学ぶ。学習後には、方策は迅速に行動を生成し、学習時に表現されたパターンへ挙動を適応させられる。
その柔軟性には固有の弱点もある。初期の探索では不適切な制御判断が生成される可能性がある。推定された行動価値が過度に楽観的になることがあり、複数のエージェントが相反する挙動を学習する場合もある。学習結果は、ランダムな初期化やメモリからサンプリングされる経験にも左右され得る。
論文著者らは、専門家誘導型の学習をこれらのアプローチの中間に位置付けている。MPCは、初期段階で物理的に解釈可能なデモンストレーションとモデル化された制約を提供する。MARLはその後、示された行動を超えて探索し、複数の局所方策を協調させる。
したがって、圧力の対象はモデル駆動型制御とデータ駆動型制御の二者択一である。この研究は、いずれの経路も単独では望ましい組み合わせを提供しないと主張する。モデルベース制御は規律的である一方で適応性に乏しい場合があり、強化学習は適応的である一方で信頼性高く訓練することが難しい。
先行研究では、すでにこの問題にマルチエージェント手法を適用している。2023年の研究では、Vehicle-to-Grid資源を伴う協調負荷周波数制御にMA-DDPG戦略を用いた。別の研究では、不確実性と部分観測の下でマルチエージェントSoft Actor-Critic制御を採用した。
他の研究者は、決定論的方策勾配とオンライン学習を組み合わせている。この経路は条件変化に応じて学習済み方策を適応させる一方、新たな研究は初期方策と自律学習への移行を改善することに集中している。これらのアプローチは、異なる段階で関連する弱点に対処している。
比較対象には、学習ベースMPCも含まれる。これは、学習済みコンポーネントを組み込みつつ逐次最適化を維持する手法だ。この種の手法は明示的な最適化ロジックを保持できるが、オンライン負荷とモデル依存性は依然として中心的な設計課題である。
この背景に照らすと、段階的フレームワークは、マイクログリッド制御へ初めて強化学習を導入するものではない。より具体的な主張は、制約情報に基づく専門家経験を体系的に利用することにある。エージェントは環境との相互作用の前にデモンストレーションを受け、その後は専門家由来と自己生成の経験を変化させながら混合して使い続ける。
この設計は両陣営に圧力をかける。従来型制御の支持者は、固定モデルが変動性を増す運転条件に効率的に対応できるかを説明しなければならない。自律学習の支持者は、適応が安全性と予測可能性を損なわないことを示す必要がある。
実際の現場では、公益事業者やマイクログリッド運営者も同じ判断に直面する。分散資産を協調させ、迅速に応答し、機器の制約内に留まる制御器が必要だ。同時に、導入前に試験、説明、承認できる挙動も求められる。
論文が示すのは、シミュレーション性能の改善に関する証拠であり、こうした制度上の要件への答えではない。フィールド試験、Hardware-in-the-Loop検証、あるいは公益事業者の保護ルール下での運用は報告していない。したがって、既存の制御経路に商業面で圧力をかける前に、概念面で圧力をかけている。
この違いは重要だ。周波数制御は通常の最適化タスクではない。不安定な推奨は、接続された機器や近隣システムに影響を与え得る。平均性能は有用だが、まれな故障や最悪時の挙動が制御器を導入可能かどうかを左右する場合がある。
研究は、この隔たりの一部を直接認めている。シミュレーションでは理想的かつ信頼性の高い通信リンクを前提としている。分散協調が適時の観測に依存するにもかかわらず、遅延、計測ノイズ、パケット損失は報告された評価に含まれていない。
したがって、この研究は技術的な議論を前進させるが、決着させるものではない。最も強い成果は、慎重に段階付けられたモデル誘導がマルチエージェント学習器を改善できることだ。未解決の問題は、適応を魅力的にした複雑な条件下でも、その改善が維持されるかどうかである。
学習器は5つのシミュレートされた運転シナリオでMPCを上回る
報告された優位性はシミュレーション内で広範に見られ、ランダムな需要、複合外乱、発電機喪失、制限された電気自動車の参加を対象としている。
研究チームは、相互接続された2つのマイクログリッドを中心に主な検証環境を構築した。それぞれには制御可能なディーゼル発電と2つの電気自動車クラスターが含まれていた。太陽光出力と地域需要は外部外乱として作用した。
ランダムな負荷外乱下で、提案手法は平均絶対周波数偏差0.0019585ヘルツを記録した。最大絶対偏差は0.0053834ヘルツ、標準偏差は0.0019452ヘルツだった。報告された合格率は99.010パーセントである。
2つ目のシナリオでは、電源と負荷の両方にランダムな外乱を加えた。この手法は、3つの偏差指標すべてで再び最も低い値を記録した。報告された合格率は99.519パーセントへ上昇した。
発電機故障シナリオでは、より厳しい運用試験が行われた。ディーゼル発電機1台が予期せず停止し、重要な調整リソースが失われた。学習済みコントローラーは周波数偏差を約0.005ヘルツに抑え、99.704パーセントの合格率を達成したと報告されている。
さらに2つのシナリオでは、電気自動車リソースを制限した。1つは充電のみを許可し、マイクログリッドへ電力を放電する能力を除外した。もう1つは、車両が利用可能な制御範囲を変化させる時変の調整制約を課した。
これらのシナリオ全体で、提案ポリシーは比較対象を上回ったと報告されている。比較対象には、通常のMA-TD3、MA-A2C、単独のMPC、行動クローニング、専門家リプレイを固定比率で用いる学習が含まれた。
行動クローニングとの比較は、第2段階の学習が重要である理由を明確にする。模倣だけでは、ポリシーは教師が示した行動に強く縛られる。相互作用により、エージェントは報酬関数とシミュレートされた外乱の下で、より優れた性能を示す行動を見つけられる。
固定リプレイとの比較は、設計の別の要素を検証する。学習全体を通じて同じ専門家データ比率を維持すれば指針を保てるが、環境から得る経験が主導権を握ることを妨げる可能性もある。段階的な混合では、この依存度を徐々に低減する。
標準的なMA-TD3との比較は、その逆の問題を扱う。専門家によるウォームスタートなしで学習すると、エージェントは探索を通じて協調制御を発見しなければならない。専門家の軌跡は、そのコストが高く不安定になり得るプロセスが始まる前に、有用な行動を提供する。
研究者らは5つの独立したランダムシードでも学習を繰り返した。各学習済みポリシーは、すべての運用シナリオで評価された。2つのマイクログリッドは1回の実行につき1つのシステムレベル指標に寄与するため、各手法・各シナリオの実効サンプルサイズは5となる。
5つのシナリオにわたり、提案アプローチは0.001667から0.002200ヘルツの平均絶対偏差を示した。最大絶対偏差は0.005793から0.007209ヘルツの範囲だった。報告された合格率は97.2910から99.4330パーセントの範囲だった。
これらの反復実行は、単一の好結果に終わった学習結果より多くの情報を提供する。異なる初期条件やサンプリングされた経験に対し、手法がどのように応答するかを示す。著者らは、比較手法より総じて低い変動性を報告している。
ただし、5つのシードは依然として限定的な統計的基盤である。5回の実行から算出した信頼区間は大きな差を明らかにできる一方、まれな学習失敗についての確実性は低い。運用評価には、より広範なストレステストと、より多様な初期条件が必要になる。
論文には、予備的な3マイクログリッドへの拡張も含まれている。各エージェントの観測次元は8から10に増加し、システムは外乱下でも協調調整を維持したと報告されている。この結果は、このアーキテクチャが数学的に2つのマイクログリッドへ限定されないことを示唆する。
ただし、大規模ネットワークへのスケーラビリティを確立するものではない。マイクログリッドを追加すると、エージェントが処理すべき情報が増え、局所的な行動間の相互作用も増加する。通信需要、学習コスト、協調の複雑性は、ネットワークの拡大とともに増大し得る。
主要な結果は、その境界内では依然として意味がある。学習器はMPC教師に単に近づいただけではない。さまざまなシミュレーション条件において、選定された周波数偏差指標でMPCと複数の学習ベースラインを上回った。
これが、見かけ上の逆転を生むメカニズムである。教師は実行可能で協調的な事例を提供し、学習器の初期探索負担を軽減する。その後、学習器は、元のモデルベースコントローラーが固定的な実演として符号化していなかった経験に対して最適化を行う。
したがって、MPCに導かれたMARL周波数制御は、この特定のコントローラーがまだ実験段階にあるとしても、実用的な学習パターンを提示している。モデルベースの専門知識は、最終的なすべての行動を規定せずにポリシーをブートストラップできる。エンジニアが有用なコントローラーを持ちながら、より高い適応性を必要とする領域では、同様のパターンが重要になる可能性がある。
この証拠は、強化学習がMPCに取って代わったことを示すものではない。MPCが学習パイプラインの一部となりながら、最終的なベンチマーク比較では敗れることがあることを示している。その役割は、本番用コントローラーからポリシーの教師へと変わる。
制約を考慮した学習は導入時の安全保証ではない
最大の未解決リスクは、制約が実演データを形作っていても、導入されたポリシーが生成するすべての行動を自動的に拘束するわけではない点にある。
MPCは、モデル化された制約を明示的に考慮しながら最適化問題を解く。そのため、教師の軌跡には、制御入力、その変化、および関連するシステム出力に対する制限が反映されている。これは、初期学習にとって価値の高い事例となる。
しかし、エージェントが学習済みポリシーを通じて行動するようになると、各ステップで同じ制約付き最適化問題を解くわけではない。ニューラルポリシーは観測情報から直接行動を出力する。学習は安全な行動を促せるが、考え得るすべての行動がすべての制約を満たすことを証明するものではない。
著者らもこの区別を認めている。専門家データ生成時に制約を課しても、オンライン実行時の正式な安全保証にはならないと述べている。補完的な層として、リスク制約付きポリシー最適化と分布的安全性クリティックを挙げている。
これは軽微な留保ではない。論文の主要な結果は、周波数精度、応答速度、外乱抑制に関するものである。導入判断には、設備制約、保護協調、安定度余裕、学習分布外での挙動に関する証拠も必要となる。
コントローラーは平均的には優れた性能を示しても、許容できないテールイベントを生じさせる可能性がある。平均絶対偏差は性能を1つの値に圧縮する。最大偏差は有用な情報を加えるが、それは評価に含まれた外乱と状態についてのみである。
未知の組み合わせこそ、より難しい試験となる。車両の参加が予想外に減少するなかで、発電機停止中に通信遅延が発生する可能性がある。あるエージェントが受け取る状態は測定ノイズによって歪められ、隣接エージェントはより新しい情報に基づいて行動するかもしれない。
報告されたシミュレーションは、こうした非理想的な通信条件を対象としていない。マイクログリッド間で交換されるデータが確実に到着することを前提としている。実際の分散制御システムでは、遅延、パケット欠落、クロック差、センサーエラー、一時的なネットワーク分断が発生する。
こうした条件はアーキテクチャに直接影響する。各エージェントは、相互接続されたすべてのマイクログリッドの周波数情報と連系線電力の変化を観測する。したがって、古い観測値や欠損した観測値は、局所的な判断とエージェント間の協調の双方を変え得る。
サイバーセキュリティも、報告された評価の範囲外にある。共有測定値に依存するエージェントには、改ざんデータや不正な制御信号に対する防御が必要となる。論文中のいかなる主張も、悪意ある入力や侵害された通信に対するレジリエンスを確立していない。
電気自動車モデルには、別の実装上のリスクもある。集約された車両はシミュレーションで柔軟な調整力を提供できるが、実際の車両群では接続時間、充電の優先度、バッテリー制約、所有者の選好が不確実である。商業的な参加は、インセンティブとアグリゲーション基盤にも左右される。
ディーゼル発電機にも実務上の運用制約がある。ランプ速度、不感帯、摩耗、保守要件、最低運転水準は、実行可能な制御を左右し得る。シミュレーションモデルはこれらの特徴の多くを表現できるが、実機での挙動にはなお検証が必要である。
論文によれば、パラメータは実際のマイクログリッドの運用データから得られている。これは関連性を高めるものの、学習済みコントローラーを物理設備で運用することと同義ではない。データに基づくシミュレーションは現実のモデルを試験するのであって、現実そのものを試験するわけではない。
2マイクログリッド設計も、運用上の主張を制限する。予備的な3マイクログリッドの事例は有望な証拠を提供するが、より大きなネットワークでは通信混雑や、より複雑な電力交換が生じ得る。局所的な自律性は、システム全体の結合をなくすものではない。
ガバナンス上の問題もある。運用者は、学習済みコントローラーがいつ行動を許可されるのか、いつ決定論的なフォールバックが引き継ぐのか、そしてエンジニアが予期しない挙動をどのように監査するのかを理解する必要がある。提案された学習フレームワークは、その運用上の境界を定義していない。
考え得る導入経路の1つは、MPCまたは別の検証済みコントローラーを実行時の安全層として維持する方法である。モデル化された制約に違反する行動を拒否、射影、または置換できる。この構成は自律性の一部を低下させるが、条件が正常である限り、高速な学習済み判断の利点を保てる。
別の経路は、明示的なリスク制約を用いて学習し、敵対的な外乱に対してポリシーを試験する方法である。その後、ハードウェア・イン・ザ・ループ実験により、実地試験の前に現実的なセンサー、通信遅延、デバイスダイナミクスへコントローラーをさらすことができる。
こうした追加は評価目標を変える。問いは、学習済みポリシーが平均周波数偏差を最小化するかどうかではなくなる。制御スタック全体が許容可能な運用範囲内にとどまるかどうかへと変わる。
この区別は過大な主張を防ぐ。本研究は、モデルに導かれた学習が性能を改善するという信頼できるシミュレーション上の証拠を示している。ただし、最終ポリシーが監督なしに相互接続された物理マイクログリッドを制御できるほど安全であることを証明するものではない。
したがって、最も有用な解釈はアーキテクチャ上のものとなる。専門家による実演は、マルチエージェント学習をより効率的かつ安定的にできる。エージェントが教師の模倣をやめた後も有効であり続ける仕組みが、安全には依然として必要である。
教師・学習者モデルが広がるかを決める3つの試験
通信ストレス、ハードウェア検証、より大規模なネットワークへの拡張性が、報告された利得が整備されたシミュレーションを超えて広がるかどうかを決定する。
最初の指標は、遅延、ノイズ、不完全な通信の下での試験である。著者ら自身がこれを今後の研究として挙げており、論文の前提を検証する最も直接的な試験となる。エージェントは、接続されたマイクログリッド間で共有される情報に依存している。
説得力のある追試では、遅延、パケット損失、測定ノイズ、一時的な通信障害を変化させるべきである。平均的な調整精度と、最悪時の制約違反の両方を報告すべきだ。安定した結果が得られれば、分散導入の根拠は強まる。
不良な結果が出ても、現在の知見が消えるわけではない。それは、専門家に導かれた学習が、信頼性の高い通信下での学習問題を解決する一方、より広範なレジリエンス問題を解決するわけではないことを示す。追加の状態推定や遅延補償が必要になるだろう。
2つ目の指標は、ハードウェア・イン・ザ・ループまたは物理マイクログリッドでの検証である。ハードウェア・イン・ザ・ループ試験では、実際のコントローラーをリアルタイムでシミュレートされた電力システムへ接続し、オフラインシミュレーションでは見落とされ得るタイミングやインターフェースの挙動を明らかにする。
この段階には、現実的な発電機ダイナミクス、インバーター制御、車両アグリゲーターの制約、センサーサンプリング、保護ロジックを含めるべきである。また、観測値が学習範囲を外れた際の実行時演算量とコントローラーのフォールバック挙動も文書化すべきだ。
実機でのパイロット導入は、より強い証拠となるだろう。しかし、その前に管理されたハードウェア試験を行うべきである。系統制御の研究では、故障が機器の損傷やサービス停止を招き得るため、段階的な検証が有益だ。シミュレーション上の性能だけでは、こうした層を省略する根拠にはならない。
3つ目のシグナルは、予備的な3マイクログリッド構成を超えた拡張である。より大規模な試験では、通信帯域幅、観測量の増加、学習コスト、収束の信頼性、ネットワークトポロジーに対する感度を測定すべきだ。
スケーリングは、単にエージェントを増やすだけの問題ではない。一部のマイクログリッドが間接的に通信したり、異なる資源を利用したり、同時に外乱を受けたりすると、協調の課題は変化する。方策は、共有情報そのものを新たなボトルネックに変えないようにしなければならない。
より大規模な実験では、中央集権型の学習と、より限定的な情報共有も比較すべきである。プライバシーと地域ごとの自律性はマルチエージェント制御を支持する一般的な理由だが、現在のエージェントはシステム全体の周波数と連系線の変数を観測している。
制限付きまたは遅延した観測でも性能が維持されるなら、分散制御を支持する議論はより説得力を増す。完全かつタイムリーなシステム情報に依存するのであれば、このアーキテクチャーには重要な中央集権的特性が残る可能性がある。
正式な安全機構は、これら3つのシグナルすべてに伴うべきである。制約を考慮した実証は有用だが、展開される方策には強制可能な制限、または検証済みの監督コントローラーが必要となる。違反の報告は、周波数誤差の報告と同じくらい重要である。
したがって次の論文で重要となるのは、平均偏差の小さな改善をもう一つ示すことではない。その価値は、情報、モデル、利用可能な資源を同時に弱める条件へ方策をさらすことから生まれる。
電力システム研究者にとって、この研究は再現と検証の対象となる具体的なハイブリッド設計を提示している。マイクログリッド運用者にとっては、調達可能な完成品のコントローラーではなく、有望な研究の方向性を示すものだ。AI実務者にとっては、専門家データと環境からの学習が異なる役割を果たす理由を示している。
MPCは、構造、実行可能な例、理解しやすい出発点を提供する。MARLは、適応性と分散型の方策学習を提供する。どちらの貢献も、実行時保証の必要性をなくすものではない。
この教訓は電力システムを超えて当てはまる。専門家は、合理的な振る舞いがどのようなものかを方策に教えられる。しかし、模倣だけでは、学習者が後に取るすべての行動を定義できない。学習者の自律性が高まるほど、独立した安全性の強制が重要になる。
MPCに導かれたMARL周波数制御にとって、決定的な問いはいまや測定可能である。通信が失敗し、ハードウェアによって摩擦が加わり、ネットワークが拡大しても、シミュレーション上の優位性を維持できるのか。これらの試験によって、モデル教師が信頼できるコントローラーを訓練したのか、それとも優秀なシミュレーション上の学生を育てただけなのかが明らかになる。
