優れたモデルアーキテクチャ図があれば、読み手は一目でネットワークを理解できます。順番に並んだレイヤー、流れていくテンソル形状、そして興味深いブロックがどこにあるか。しかし手描きは遅く、汎用画像AIはラベルを文字化けさせてしまいます。この記事では、すぐに使えるニューラルネットワーク図プロンプト24選、再利用できるプロンプトテンプレート、そして実際に生成した例を紹介します。ベクターソフトも作図スキルも不要で、AIを使って数分でラベルのきれいな論文掲載品質のアーキテクチャ図を作れます。
この記事を読み終えると、次のことができるようになります。
- CNNアーキテクチャ図、Transformerアーキテクチャ図、RNN/LSTM図、MLP図、U-Net図、MLパイプライン図を、1文から生成できる。
- シンプルな4要素テンプレートを使って、どのプロンプトも自分のモデルに合わせて応用できる。
- AIのニューラルネット図が不自然になりがちな、よくある間違いを避けられる。
どのプロンプトでもニューラルネットワーク図ジェネレーターに貼り付けるだけです。その後、レイヤーの追加、テンソル形状の注釈、色変更、ラベル変更を依頼して結果を調整したり、SciDraw AI エディターで開いて反復編集を続けたりできます。
優れたアーキテクチャプロンプトの構造
うまくいかない結果の多くは、あいまいなプロンプトが原因です。優れたニューラルネットワーク図ジェネレーターのプロンプトは、次の4つの要素で構成されます。
- 対象 — どのモデルやブロックか（例：「CNN画像分類器」「単一のLSTMセル」）。
- 順番に並んだレイヤー／ブロック — 入力から出力までの各段階を列挙する（畳み込み、プーリング、アテンション、全結合、softmax）。
- ラベル／テンソル形状 — 各ブロックを名指しし、査読者が期待する箇所では特徴マップやテンソルのサイズを求める。
- スタイルと方向 — 「フラットな技術的概略図、左から右へのデータフロー、ラベル付きブロック、クリーンなサンセリフ文字」。
テンプレート：「[入力 → 出力の順に並んだレイヤー／ブロック]をもつ[モデル]を描いてください。[ブロック名とテンソル形状]にラベルを付けます。左から右へのデータフローをもつ、クリーンなフラット技術概略図にしてください。」
この一文は手元に置いておきましょう。以下のプロンプトはすべてこれに従っており、オンラインでニューラルネットワークを描くときは自分のモデルに差し替えられます。
きれいなアーキテクチャ図を得る方法
- レイヤーを順番に列挙する。 入力と出力を明示し、データフローが曖昧にならないようにします。
- テンソル形状を求める。 厳密なモデルアーキテクチャ図が必要なら、「各段階の特徴マップサイズにラベルを付ける」「出力次元を注釈する」と依頼します。
- ブロックを名指しする。 「マルチヘッドアテンション」「残差ブロック」「スキップ接続」などと名指しし、それぞれが区別して描かれるようにします。
- 方向を指定する。 論文向けアーキテクチャ図では左から右が慣例です。非常に深いスタックは上から下にすると読みやすくなります。
- 図中のテキストは短く。 詳細は図の中ではなくキャプションに入れましょう。
- 作り直さず、反復する。 「各畳み込みの後にバッチ正規化を追加して」のように調整し、プロンプト全体を書き直さないようにします。
畳み込みネットワーク（CNN、ResNet、U-Net）
CNNの図は最もリクエストの多い深層学習アーキテクチャ図であり、同時に最も雑然としやすいものでもあります。畳み込み／プーリングのスタックと変化する特徴マップサイズを、きれいにラベル付けしなければならないからです。まず完全な分類器から始め、そこから残差ブロックやセグメンテーションネットへと展開しましょう。
- 入力画像から積み重なった畳み込み層・プーリング層を経て、平坦化、2つの全結合層、softmax分類器に至るCNNアーキテクチャ図を描いてください。各段階の特徴マップサイズ（例：224×224×3 → 112×112×64）にラベルを付け、データが左から右へ流れる様子を示します。
- ResNetの残差ブロックを描いてください。スキップ（恒等）接続が2層の畳み込み経路に加算される様子を示し、加算演算、ReLU、バッチ正規化を明確にラベル付けします。
- U-Net図を描いてください。収縮するエンコーダー、拡張するデコーダー、対応するレベルをつなぐスキップ接続を示し、ダウンサンプリング、アップサンプリング、ボトルネック、セグメンテーション出力マスクにラベルを付けます。
- 深さ方向分離可能畳み込みブロック（MobileNet風）を、標準的な畳み込みと対比して描いてください。深さ方向とポイントワイズの段階、パラメータ削減にラベルを付けます。
- 特徴ピラミッドネットワーク（FPN）をもつビジョンバックボーンを描いてください。CNNがマルチスケールの特徴マップを生成し、トップダウンに横方向接続でマージされる様子を示し、各レベルにラベルを付けます。
Transformerとアテンション
Transformerアーキテクチャ図は、LLMとViTのおかげで今や最も検索されるニューラルネット図です。これらのプロンプトは、完全なエンコーダー・デコーダースタック、単一のアテンションブロック、エンコーダーのみ vs デコーダーのみの対比をカバーします。
- 積み重なったエンコーダー・デコーダーブロックをもつ完全なTransformerアーキテクチャを描いてください。入力埋め込みと位置エンコーディング、マルチヘッド自己アテンション、フィードフォワードサブレイヤー、add-and-norm残差接続、デコーダーのマスク付きアテンション、最終の線形＋softmax出力を示します。
- 単一のマルチヘッド自己アテンションブロックを描いてください。クエリ、キー、バリュー、スケール化ドット積アテンション、softmax、ヘッドの連結を示し、テンソル形状を注釈します。
- ビジョンTransformer（ViT）を描いてください。入力画像を固定サイズのパッチに分割し、線形に埋め込み、クラストークンを先頭に付け、位置エンコーディングを加え、Transformerエンコーダーを通して分類ヘッドに至る様子を示します。
- エンコーダーのみのTransformer（BERT風）と、デコーダーのみのTransformer（GPT風）を横並びで描いてください。アテンションマスキングの違いと、それぞれの典型的なタスクにラベルを付けます。
- 位置エンコーディングのステップを単独で描いてください。トークン埋め込みの系列が正弦波位置ベクトルと加算される様子を、明確にラベル付けして示します。
再帰・系列モデル（RNN、LSTM、seq2seq）
RNN/LSTM図は時間を明確に示す必要があります — タイムステップにわたって展開するか、単一のゲート付きセルとして描くかです。これらのプロンプトは両方に加え、古典的なエンコーダー・デコーダー系列モデルを扱います。
- 4つのタイムステップにわたって展開された再帰型ニューラルネットワークを描いてください。各ステップの入力、隠れ状態、出力と、あるステップから次へ隠れ状態が渡される矢印を、すべてラベル付けします。
- 単一のLSTMセルを描いてください。入力ゲート、忘却ゲート、出力ゲート、候補値、上部を通るセル状態、ゲーティングの乗算を示し、各要素にラベルを付けます。
- GRUセルをLSTMセルと対比して描いてください。更新ゲートとリセットゲートにラベルを付け、独立したセル状態がないことを示します。
- 系列変換（seq2seq）モデルを描いてください。エンコーダーRNNが入力をコンテキストベクトルに圧縮し、デコーダーRNNが出力系列を生成する様子を、両者間のアテンションリンクとともにラベル付けします。
- 系列を順方向と逆方向に処理する双方向RNNを描いてください。2つの隠れ状態ストリームが各タイムステップで連結される様子を示します。
古典・生成モデル（MLP、オートエンコーダー、GAN、拡散）
教科書的なMLP図から最新の生成ネットまで、これらは教育や論文の背景セクションに最適です。
- 入力層、2つの隠れ層、出力層をもつ全結合フィードフォワードネットワーク（MLP）を描いてください。ニューロン間の密な接続を示し、各層のニューロン数にラベルを付けます。
- オートエンコーダーを描いてください。エンコーダーが入力をボトルネックの潜在空間まで絞り込み、対称なデコーダーが入力を再構成する様子を示し、圧縮と潜在次元にラベルを付けます。
- 変分オートエンコーダー（VAE）を描いてください。エンコーダーが平均と分散を出力し、再パラメータ化トリックで潜在ベクトルをサンプリングし、デコーダーが再構成する様子を示します。
- GANを描いてください。ジェネレーターがノイズベクトルを偽サンプルに変え、ディスクリミネーターが本物 vs 偽物を分類する様子を、敵対的訓練ループと2つの損失信号とともにラベル付けします。
- 拡散モデルの順方向ノイズ付加プロセスと逆方向ノイズ除去プロセスを、左から右への流れとして描いてください。ノイズスケジュールと、各逆ステップでのU-Netノイズ除去器にラベルを付けます。
エンドツーエンドのMLパイプライン
きれいなMLパイプライン図は、モデルだけでなくシステム全体を示します — 論文やレポートの手法・システム概要図に最適です。
- エンドツーエンドの機械学習パイプラインを、左から右への流れとして描いてください。データ収集、前処理、特徴量エンジニアリング、モデル訓練、評価、デプロイを示し、データ収集へ戻るモニタリングのフィードバックループとともに、各段階にラベルを付けます。
- RAG（検索拡張生成）システムを描いてください。ユーザークエリ、埋め込みステップ、ベクトルデータベース上のリトリーバー、検索されたコンテキスト、根拠ある回答を生成するLLMを、左から右に描きます。
- MLOpsライフサイクルをループとして描いてください。データのバージョン管理、実験トラッキング、モデル訓練、CI/CD、デプロイ、モニタリングを示し、ドリフト検出が再訓練をトリガーする様子を描きます。
- モデルサービングアーキテクチャを描いてください。クライアントのリクエストがロードバランサーに届き、バッチ処理付きの推論サーバー、GPUモデルレプリカ、フィーチャーストアに至る様子を、レイテンシの注釈とともに示します。
よくある間違い（とその直し方）
- ブロックがラベル付けされていない、またはラベルが間違っている。 直し方：プロンプトに正確な名前を列挙する（「conv1、pool1、fc1、softmax にラベルを付ける」）。「『attetion』を『multi-head attention』に修正して」と再プロンプトします。
- テンソル形状が欠けている、または間違っている。 直し方：「各段階の特徴マップサイズにラベルを付ける」と明示的に要求し、入力形状を与えて連鎖が一貫するようにします。
- データフローが曖昧。 直し方：「矢印付きの左から右へのデータフロー」を依頼し、テンソルがどちらに動くか読み手に分かるようにします。
- 文字化け（汎用画像AIにありがち）。直し方：SciDraw AI はクリーンなサンセリフのラベルを描画します。トークンがおかしく見えたら正確な文言で再プロンプトします。
- スタックが混み合いすぎ。 直し方：「繰り返しブロックをラベル付きの×Nにまとめて」と依頼するか、図をパネルに分割します。
アーキテクチャ図のエクスポートと活用
図が良い仕上がりになったら、編集可能なSVGや**PowerPoint（PPTX）**にエクスポートするか、論文・スライド・ポスター用に高解像度画像をダウンロードできます。レイヤー名の修正、誤字の訂正、ラベルの翻訳が必要ですか？AI図のテキストとラベルを編集する方法をご覧ください。別の配色 — ジャーナルのスタイルや色覚に配慮したパレット — が必要ですか？科学図の色を変える方法をご覧ください。
よくある質問
最適なニューラルネットワーク図ジェネレーターは何ですか？ SciDraw AI のニューラルネットワーク図ジェネレーターは、論文掲載品質の深層学習アーキテクチャ図 — CNN、Transformer、RNN/LSTM、MLP、U-Net、GAN、MLパイプライン — のために作られており、クリーンなラベル付きブロック、テンソル形状、編集可能なSVG/PPTXエクスポートを備えています。
AIでCNNアーキテクチャ図を描くには？ レイヤーを順番に（入力 → 畳み込み／プーリングスタック → 平坦化 → 全結合 → softmax）記述し、各段階の特徴マップサイズを求めてから生成します。上記のプロンプト#1を出発点にしてラベルを調整してください。
オンラインでニューラルネットワークを無料で描けますか？ はい — ニューラルネットワーク図を無料で生成し始められます。その後、より多くのクレジットや図の編集可能なSVG/PPTXエクスポートのためにアップグレードできます。
これは論文向けにTransformerアーキテクチャ図を作る良い方法ですか？ はい。エンコーダー／デコーダースタック、アテンション、add-and-norm層を記述し、生成してからベクター形式にエクスポートすれば、LaTeXやWordの原稿にそのまま貼り付けられます。
この図は出版に耐える正確さですか？ 論文掲載品質の出力を目指して設計されていますが、自分のモデルについてレイヤーの順番、形状、ラベルを必ず確認し、投稿前に修正してください。
さあ、作ってみましょう
上記のどれかのプロンプトを選び、ニューラルネットワーク図ジェネレーターに貼り付けて、SciDraw AI エディターで自分のモデルに合うまで調整しましょう。シンプルなMLPから完全なTransformerまで、次のアーキテクチャ図は1文で作れます。
